نوشته قبلی نوشته بعدی نحوه استخراج SERP برای SEO ، محتوا و بینش مشتری

نحوه استخراج SERP برای SEO ، محتوا و بینش مشتری

نحوه استخراج SERP برای SEO ، محتوا و بینش مشتری منتشر شده در آوریل 3, 2020ارسال دیدگاه

علاقه مند به حوزه Seo & Sem

کمترین منابع در سئو صفحات نتایج موتورهای جستجو (SERP) هستند.

منظور من این نیست که سایت های ما را برای یک کلمه کلیدی خاص یا مجموعه ای از کلمات کلیدی رتبه بندی کنند ، منظورم محتوای واقعی SERP ها است.

برای هر کلمه کلیدی که در گوگل جستجو می کنید و در آنجا SERP را نشان می دهید تا ۱۰۰ نتیجه را نشان دهد ، می خواهید به طور متوسط حدود ۳۰۰۰ کلمه را پیدا کنید.

تبلیغات
ادامه خواندن زیر

این مطالب زیادی دارد و دلیل اینکه این توانایی را برای SEO بسیار ارزشمند دارد این است که بسیاری از آن به صورت الگوریتمی بازنویسی یا گیلاس از یک صفحه توسط گوگل جمع آوری شده تا به بهترین وجهی به آنچه که فکر می کند نیاز جستجوگر است پرداخته شود. هستند.

یک مطالعه جدید نشان داد که Google در حال بازنویسی یا اصلاح توضیحات متا نمایش داده شده در SERP ها ۹۲٪ از زمان است.

از خود بپرسید: چرا Google می خواهد چنین کاری کند؟

این باید مقدار منصفانه ای از منابع را به دست آورد ، هنگامی که نمایش ساده توضیحات متا اختصاص داده شده به یک صفحه ساده تر خواهد بود.

پاسخ ، به نظر من ، این است كه گوگل فقط به جستجوگر اهمیت می دهد – نه روح فقیری كه به دلیل نوشتن توضیحات متا جدید برای یك صفحه ، متهم شده است.

تبلیغات
ادامه خواندن زیر

Google به ایجاد بهترین تجربه جستجو امروز اهمیت می دهد ، بنابراین افراد فردا دوباره می آیند و دوباره جستجو می کنند.

یکی از راه های انجام این کار این است که با انتخاب قسمت هایی از صفحه ای که می خواهد در یک ویژگی SERP یا در داده های نمایش داده شده با SERP نمایش داده شود که فکر می کند به بهترین وجه با متن یا سؤالی که شخص هنگام استفاده از موتور جستجو دارد مطابقت داشته باشد.

با توجه به این نکته ، توانایی تجزیه و تحلیل زبان SERP ها در مقیاس ، می تواند یک تاکتیک فوق العاده با ارزش برای یک سئو باشد ، و نه فقط برای بهبود رتبه بندی عملکرد.

این نوع رویکرد می تواند به شما در درک بهتر نیازها و خواسته های مشتریان بالقوه کمک کند و به شما در درک واژگان احتمالاً طنین انداز شدن با آنها و مباحث مرتبط با آنها می خواهد کمک کند.

تبلیغات
ادامه خواندن زیر

در این مقاله تکنیک هایی را که می توانید برای انجام این کار در مقیاس استفاده کنید ، یاد خواهید گرفت.

هشدار داده شود ، این تکنیک ها به پایتون بستگی دارند – اما امیدوارم این را نشان دهد که چیزی برای ترس از آن نیست. در واقع ، این فرصت عالی برای امتحان کردن و یادگیری آن است.

از پایتون نترسید

من یک توسعه دهنده نیستم و هیچ زمینه کدگذاری فراتر از برخی HTML و CSS اساسی ندارم. من پیتون را نسبتاً اخیر انتخاب کرده ام و به همین دلیل ، من رابین لرد را از Distilled برای تشکر دارم.

من نمی توانم به اندازه کافی توصیه کنم که اسلایدهای وی را در پایتون و راهنمای بسیار مفید و به راحتی در دسترس در استفاده از نوت بوک های Jupyter بررسی کنید – همه در این Dropbox مفید است .

برای من ، پایتون چیزی بود که درک آن همیشه دشوار به نظر می رسید – من نمی دانستم اسکریپت هایی که می خواستم از آنها استفاده کنم می روند ، چه کار می کنند ، چه چیزی نیست و چه خروجی را باید انتظار داشته باشم.

تبلیغات
ادامه خواندن زیر

اگر در آن شرایط هستید ، راهنمای خداوند را بخوانید. این به شما کمک خواهد کرد که درک کنید که نیازی به اینگونه نیست و کار با پایتون در نوت بوک Jupyter در واقع ساده تر از آنچه فکر می کنید است.

همچنین هر تکنیکی را که در این مقاله به آن اشاره شده است ، به راحتی در دسترس خواهید قرار داد ، و به شما بستری می دهد تا تحقیقات خود را انجام داده و اتوماسیون قدرتمند پایتون را برای خود تنظیم کنید.

دریافت اطلاعات SERP

من به عنوان یک کارمند ، خوشبختم که به عنوان هادی دسترسی پیدا کرده ام که در آنجا می توانیم گزارش های SERP را اجرا کنیم ، که از یک API خارجی برای ترسیم ابرداده های نمایش داده شده توسط SERP برای مجموعه ای از کلمات کلیدی استفاده می کنند.

این یک روش ساده برای بدست آوردن داده های مورد نیاز با قالب تمیز و خوب است که می توانیم با آنها کار کنیم.

تبلیغات
ادامه خواندن زیر

به نظر می رسد مانند این:

گزارش SERP هادی

راه دیگر برای بدست آوردن این اطلاعات در مقیاس استفاده از استخراج سفارشی روی SERP با ابزاری مانند Screaming Frog یا DeepCrawl است.

من در مورد چگونگی انجام این کار نوشتم ، اما به شما هشدار داده شده است: این ممکن است فقط کمی ناچیز و ناچیز با نقض شرایط خدمات Google باشد ، بنابراین این کار را با خطر خودتان انجام دهید (اما به یاد داشته باشید که پراکسی پادزهر عالی برای این خطرات است) .

تبلیغات
ادامه خواندن زیر

از طرف دیگر ، اگر شما طرفدار طنز هستید و فکر می کنید که این لمس غنی است که گوگل می گوید برای ارائه خدمات بهتر به کاربران خود ، نمی توانید محتوای آن را بپیچانید ، پس به هر معنی لطفاً این تکنیک را با استفاده از نرم افزار مستقر کنید.

اگر از این رویکرد راحت نیستید ، بسیاری از API ها نیز بسیار مقرون به صرفه ، قابل استفاده هستند و داده های SERP مورد نیاز برای اجرای این نوع تحلیل را ارائه می دهند.

روش نهایی برای بدست آوردن داده های SERP با فرمت تمیز کمی زمان بر است و شما نیاز به استفاده از افزونه Scraper Chrome دارید و این کار را برای هر کلمه کلیدی انجام دهید.

خراش دادن SERP ها با پسوند Chrome

اگر واقعاً می خواهید این مقیاس را رقم بزنید و بخواهید با یک جبهه بزرگ منطقی کار کنید (اصطلاحی که من خیلی از آن استفاده خواهم کرد – این فقط یک روش خیالی برای گفتن کلمات زیادی است) برای انجام تجزیه و تحلیل خود ، این نهایی گزینه احتمالاً کار نمی کند.

تبلیغات
ادامه خواندن زیر

با این حال ، اگر به مفهوم علاقه مند هستید و می خواهید برخی از تست های کوچکتر را اجرا کنید تا مطمئن شوید که خروجی با ارزش و قابل استفاده برای کمپین های خود است ، می گویم کاملاً خوب است.

امیدوارم که در این مرحله ، شما آماده و مایل باشید با استفاده از یک نوت بوک Jupyter ، شیرجه را با پایتون بردارید ، و داده های SERP با فرمت بسیار خوبی را برای کار با آنها بدست آورده اید.

بیایید به مطالب جالب برسیم.

تجزیه و تحلیل داده ها و زبانی SERP

همانطور که در بالا اشاره کردم ، من توسعه دهنده ، کارشناس برنامه نویسی یا دانشمند رایانه نیستم.

آنچه من علاقه مندم این است که کسی به کلمات ، زبان و تجزیه و تحلیل زبانی علاقه مند باشد (بدبینان در آنجا ممکن است من را یک روزنامه نگار ناموفق بنامند که در تلاش است زندگی خود را در سئو و بازاریابی دیجیتالی خراب کند).

تبلیغات
ادامه خواندن زیر

به همین دلیل من علاقه مند شده ام که دانشمندان داده های واقعی از Python، NLP و NLU برای انجام این نوع تحقیق استفاده می کنند.

پیشنهاد ویژه  Google برای تمایز سایت شما تشویق می کند

به عبارت ساده ، تنها کاری که من در اینجا انجام می دهم استفاده از روش های آزمایش شده و آزمایش شده برای تجزیه و تحلیل زبانی و یافتن راهی برای استفاده از آنها به روشی است که به سئو مربوط باشد.

برای اکثر این مقاله ، من در مورد SERP ها صحبت خواهم کرد ، اما همانطور که در پایان توضیح خواهم داد ، این فقط خراش دادن سطح آنچه ممکن است (و همین چیزی است که باعث می شود این موضوع بسیار هیجان انگیز باشد!).

تمیز کردن متن برای تجزیه و تحلیل

در این مرحله ، باید متذکر شوم که پیش نیاز بسیار مهم این نوع تحلیل "متن تمیز" است. این نوع "پیش پردازش" برای اطمینان از دستیابی به مجموعه ای با کیفیت خوب از نتایج ضروری است.

تبلیغات
ادامه خواندن زیر

در حالی که منابع زیادی در زمینه تهیه متن برای تجزیه و تحلیل وجود دارد ، به دلیل کمبود ، می توانید فرض کنید که متن من بیشتر یا همه مراحل زیر را طی کرده است:

  • مورد کمتر : روش هایی که در زیر به آنها اشاره می کنم حساس به مورد هستند ، بنابراین ساختن تمام کپی هایی که از پرونده های کوچکتر استفاده می کنیم از تکثیر جلوگیری می کند (اگر این کار را نکردید ، "یوگا" و "یوگا" به عنوان دو کلمه متفاوت رفتار می شوند)
  • حذف نگارشی : علائم نگارشی هیچ اطلاعات اضافی برای این نوع تجزیه و تحلیل اضافه نمی کند ، بنابراین باید آن را از بدن خود حذف کنیم.
  • کلمات متوقف شده را حذف کنید : "کلمات متوقف" معمولاً کلماتی هستند که در داخل بدنه اتفاق می افتند و هیچ ارزشی به تجزیه و تحلیل ما نمی دهند. در مثالهای زیر ، من از کتابخانه های از پیش تعریف شده از بسته های عالی NLTK یا spaCy استفاده می کنم تا کلمات متوقف شود.
  • تصحیح املا : اگر نگران اشتباهات غلط املایی در داده های خود هستید ، می توانید از یک کتابخانه Python مانند TextBlob استفاده کنید که تصحیح املا را ارائه می دهد
  • Tokenization : این فرایند باعث می شود تا بدن ما به یکسری کلمات تبدیل شود. به عنوان مثال ، این:

(['این جمله است]])

خواهد شد:

(["این" ، "است" ، "یک" ، "جمله"])

  • Stemming : این به حذف پسوندهایی مانند "-ing" ، "-ly" و غیره از کلمات اشاره دارد و کاملاً اختیاری است
  • Lemmatization : شبیه به " اشتعال " است ، اما نه فقط حذف پسوند برای یک کلمه ، lemmatization یک کلمه را به ریشه خود تبدیل می کند (به عنوان مثال "بازی" تبدیل به "بازی" می شود). Lemmatization غالباً ترجیح می دهد که ناشی شود.
تبلیغات
ادامه خواندن زیر

این ممکن است همه پیچیده به نظر برسد ، اما اجازه ندهید که شما را از پیگیری این نوع تحقیقات منصرف کند.

من در طول این مقاله با منابع مرتبط خواهم شد که دقیقاً نحوه استفاده از این فرآیندها را در بدنه شما مشخص می کند.

تجزیه و تحلیل و وقایع NGram

این اولین و ساده ترین رویکردی که می توانیم از آن برای محتوای SERP استفاده کنیم ، تجزیه و تحلیل وقایع nGram است. این بدان معناست که ما تعداد دفعاتی را که یک کلمه یا ترکیبی از کلمات در بدن ما ظاهر می شود ، شمارش می کنیم.

چرا این مفید است؟

با تجزیه و تحلیل SERP های ما برای دنباله های همزمان کلمات ، می توانید تصویری از کلمات یا عباراتی که گوگل به مجموعه کلمات کلیدی مورد بررسی ما بیشترین ارتباط را دارد ، ارائه دهد.

به عنوان مثال ، برای ایجاد بدنه ای که من از طریق این پست استفاده خواهم کرد ، ۱۰۰ نتیجه برتر را برای ۱۰۰ کلمه کلیدی در اطراف یوگا کشیده ام

تبلیغات
ادامه خواندن زیر

این فقط برای اهداف گویا است. اگر من این کنترل را با کنترل کیفیت بیشتری انجام می دادم ، ساختار این قشر ممکن است کمی متفاوت به نظر برسد.

تنها چیزی که اکنون می خواهم از آن استفاده کنم تابع پیشخوان Python است که در جستجوی متداول ترین عبارات دو و سه کلمه ای در گروه من است.

خروجی به نظر می رسد:

Ngram از یوگا SERP حساب می کند

از قبل می توانید روندهای جالبی را مشاهده کنید که درمورد موضوعاتی که جستجوگرها ممکن است علاقه مند باشند ظاهر می شوند. من همچنین می توانم MSV را برای برخی از این عبارات جمع آوری کنم که می توانم به عنوان کلمات کلیدی اضافی کمپین هدف قرار دهم.

تبلیغات
ادامه خواندن زیر

در این مرحله ، شما ممکن است فکر کنید که واضح است که تمام این عبارات همزمان با کلمه یوگا حاوی کلمه اصلی مجموعه داده من هستند.

این یک مشاهده حیرت انگیز است – آن را به عنوان یک "متوقف خاص برای بدن" شناخته می شود ، و از آنجا که من با پایتون کار می کنم ساده است که یک فیلتر یا تابعی ایجاد کنید که بتواند آن کلمات را حذف کند.

خروجی من اینگونه می شود:

یوگا SERP nGrams

این دو مثال می تواند به ارائه عکس فوری از مباحثی که رقبا در صفحه های فرود آنها پوشش می دهند ، کمک کند.

تبلیغات
ادامه خواندن زیر

به عنوان مثال ، اگر می خواهید شکاف های محتوا را در صفحات فرود خود در برابر رقبای برتر عملکرد خود نشان دهید ، می توانید از جدول مانند این برای نشان دادن این مضامین تکراری استفاده کنید.

با ترکیب آنها ، صفحات فرود شما جامع تر خواهد شد و تجربه کاربری بهتری را ایجاد می کند.

بهترین آموزشی که من برای ساختن پیشخوان پیدا کردم مثل نمونه ای که در بالا استفاده کردم را می توان در مثال نوت بوک Jupyter که رابین لرد در کنار هم قرار داده است پیدا کرد (همان موردی که در بالا به آن اشاره شده است). این کار دقیقاً همان کاری را که شما باید انجام دهید ، با مثال هایی از شما می گیرد تا بتوانید یک جدول مانند جدول مورد نظر خود در بالا بسازید.

این بسیار اساسی است ، و همیشه به نتیجه ای نمی رسد که قابل اجرا باشد.

تبلیغات
ادامه خواندن زیر

بنابراین چه نوع دیگری از تجزیه و تحلیل مفید را می توان اجرا کرد؟

بخشی از گفتار (PoS) برچسب زدن و تجزیه و تحلیل

برچسب زدن POS است تعریف به عنوان:

"در زبان شناسی بدن ، برچسب گذاری بخشی از گفتار (برچسب گذاری POS یا POST) ، که برچسب گرامری نیز خوانده می شود ، فرایند نشانه گذاری یک کلمه در یک متن (بدنه) است که مربوط به قسمت خاصی از گفتار است ، بر اساس هر دو نوع آن. تعریف ، و همچنین متن آن – یعنی ارتباط با کلمات مجاور و مرتبط با یک عبارت ، جمله یا پاراگراف. "

معنای این بدان معنی است که ما می توانیم هر کلمه ای را در corpus SERP یک برچسب PoS قرار دهیم که نه تنها بر اساس تعریف کلمه بلکه در متنهایی که با آن در توضیحات متا یا عنوان صفحه نمایش داده شده با SERP نمایش داده می شود.

تبلیغات
ادامه خواندن زیر

این قدرتمند است ، زیرا معنی این است که ما می توانیم به دسته های خاص PoS (افعال ، اسم ها ، صفت ها و غیره) بپیچیم ، و این می تواند بینش های ارزشمندی در مورد چگونگی ساخت زبان SERP ها ارائه دهد.

پیشنهاد ویژه  گوگل جان مولر: نمی ایجاد یک نقشه دستی

یادداشت جانبی – در این مثال ، من از بسته NLTK برای برچسب زدن PoS استفاده می کنم. متأسفانه ، برچسب زدن PoS در NLTK در بسیاری از زبان ها در دسترس نیست.

اگر علاقه دارید این زبان را به غیر از انگلیسی دنبال کنید ، توصیه می کنم به TreeTagger مراجعه کنید ، که این قابلیت را در تعدادی از زبان های مختلف ارائه می دهد.

با استفاده از محتوای SERP (به خاطر سپردن آن "با استفاده از برخی از روشهای ذکر شده در پست قبلی" از قبل پردازش شده است) برای برچسب گذاری PoS ، می توان انتظار داشت که خروجی مانند این در نوت بوک Jupyter ما باشد:

تبلیغات
ادامه خواندن زیر

محتوای SERP با برچسب های POS برچسب گذاری شده است

می توانید ببینید هر کلمه اکنون یک برچسب PoS به آن اختصاص داده شده است. اینجا را کلیک کنید تا واژه نامه ای را که هرکدام از برچسب های PoS را مشاهده می کنید ، جستجو کنید.

در انزوا ، این بسیار مفید نیست ، بنابراین بیایید برخی از تجسم ها را ایجاد کنیم (نگران نباشید اگر به نظر می رسد من در اینجا پرش می کنم ، در انتهای این بخش به یک راهنما پیوند می دهم که دقیقاً نحوه انجام آن را نشان می دهد). این) و به نتایج حفر کنید:

تبلیغات
ادامه خواندن زیر

تبلیغات
ادامه خواندن زیر

عالی!

من می توانم به سرعت و به راحتی روندهای زبانی را در SERP های خود شناسایی کنم و می توانم وقتی بهینه سازی صفحات فرود را برای آن شرایط انجام می دهم ، از رویکردی استفاده کنم.

این بدان معناست که من نه تنها می توانم با استفاده از آن تعداد معینی از صفحه را در یک صفحه جستجو کنم (که به فراتر از طرز تفکر چگالی کلمات کلیدی مدرسه قدیمی است).

تبلیغات
ادامه خواندن زیر

در عوض ، من می خواهم زمینه و مقصدی را که به نظر می رسد گوگل بر اساس سرنخ هایی که از طریق زبان مورد استفاده در SERP ها به من می دهد ، مورد علاقه قرار دهم.

در این حالت ، این سرنخها متداول ترین اسمها ، افعال و صفت ها در صفحات نتایج هستند.

ما می دانیم ، براساس حق ثبت اختراعات گوگل حول ایندکس کردن مبتنی بر عبارت ، این پتانسیل را دارد که در رتبه بندی صفحات از "عبارات مرتبط" استفاده کند.

اینها احتمالاً شامل عبارات معنایی مرتبط است که در صفحات فرود بالای صفحه اتفاق می افتند و به تبلور معنای آن صفحات به موتورهای جستجو کمک می کنند.

این نوع تحقیقات ممکن است به ما بینش دهد که چه عبارات مرتبط می توانند داشته باشند ، بنابراین تأثیرگذاری آنها در صفحات فرود ، پتانسیل ارزشمندی دارد.

تبلیغات
ادامه خواندن زیر

حال ، برای اینکه همه این مطالب SERP واقعاً عملی شوند ، باید تجزیه و تحلیل شما مورد هدف قرار گیرد.

خوب ، نکته جالب در مورد تهیه اسکریپت شخصی شما برای این تجزیه و تحلیل این است که اعمال فیلترها و تقسیم بندی داده های شما بسیار آسان است.

به عنوان مثال ، با چند ضربه کلید می توانم خروجی تولید کنم که صفحه ۱ را در مقابل صفحه ۲ مقایسه کند:

صفحه ۱:

صفحه ۲:

تبلیغات
ادامه خواندن زیر

اگر بین آنچه که من در صفحه ۱ از نتایج در مقابل صفحه ۲ مشاهده می کنم (به عنوان مثال "شروع" رایج ترین فعل در صفحه ۱ در مقابل "آموزش" در صفحه ۲) است ، تفاوت های واضحی وجود دارد ، پس از آن من به این موضوع می پردازم.

اینها ممکن است انواع کلماتی باشد که من در هنگام بهینه سازی صفحه روی آنها بیشتر تاکید می کنم تا به موتورهای جستجو سیگنال های واضح تری درباره متن صفحه فرود من و چگونگی مطابقت آن با پرس و جو ارائه دهم.

تبلیغات
ادامه خواندن زیر

اکنون می توانم تصویری تهیه کنم که گوگل از چه نوع زبانی را انتخاب می کند تا در SERP ها برای نتایج رتبه برتر در عمودی هدف من نمایش دهد.

من همچنین می توانم از این واژگان در رابطه با نوع واژگان استفاده کنم که با جستجوگرها در جستجوی محصولات یا خدمات من طنین انداز می شوند ، و برخی از این اصطلاحات را به همین ترتیب در صفحات فرود من گنجانده ام.

من همچنین می توانم کلمات کلیدی خود را بر اساس ساختار ، قصد یا مرحله ای از سفر خرید طبقه بندی کرده و همان تجزیه و تحلیل را برای مقایسه روند انجام دهم تا اقدامات من خاص تر به نتایج مورد نظر من برسد.

به عنوان مثال ، روند بین کلمات کلیدی یوگا با کلمه "مبتدی" در مقابل مواردی که با کلمه "پیشرفته" اصلاح شده اند اصلاح شده است.

تبلیغات
ادامه خواندن زیر

این موضوع سرنخ های بیشتری در مورد آنچه گوگل فکر می کند برای جستجوگرانی که به دنبال آن دسته از اصطلاحات هستند ، مهم است و این که چگونه می توانم برای بهینه سازی این شرایط بهتر باشم ، سرنخ های بیشتری به من می دهد.

اگر می خواهید این نوع تجزیه و تحلیل را برای داده های SERP خود اجرا کنید ، این پیشروی ساده توسط Kaggle را بر اساس استفاده از برچسب زدن PoS به عناوین فیلم دنبال کنید . این روند شما را در طی فرایندی که گذر کرده ام می سازد تا تصاویر بکار رفته در تصاویر بالا را بسازید.

مدل سازی موضوع بر اساس داده های SERP

مدل سازی موضوع یکی دیگر از تکنیک های بسیار مفید است که می تواند برای تجزیه و تحلیل SERP ما مستقر شود. آنچه به آن اشاره می شود فرآیند استخراج مباحث پنهان شده در متن است. در مورد ما SERP ، برای کلمات کلیدی مورد نظر ما.

تبلیغات
ادامه خواندن زیر

در حالی که تعدادی تکنیک مختلف برای مدل سازی موضوع وجود دارد ، یکی از مواردی که به نظر دانشمندان مورد علاقه آنهاست ، LDA (Latent Dirichlet Allocation) است ، بنابراین همان روشی است که من برای کار با آن انتخاب کردم.

توضیحی عالی درباره چگونگی عملکرد LDA برای مدل سازی موضوعات از وبلاگ Analytics Vidhya :

"LDA فرض می کند که اسناد از ترکیبی از موضوعات تولید شده است. سپس این مباحث بر اساس توزیع احتمال آنها کلمات ایجاد می کنند. با توجه به مجموعه ای از اسناد ، LDA به عقب برگردد و سعی می کند بفهمد چه موضوعاتی این اسناد را در وهله اول ایجاد می کند. "

اگرچه کلمات کلیدی ما همه چیز در مورد "یوگا" است ، مکانیسم LDA که ما از آن استفاده می کنیم فرض می کند که درون آن گروه مجموعه ای از مباحث دیگر وجود خواهد داشت.

پیشنهاد ویژه  Google تفاوت بین تطابق عصبی و RankBrain را توضیح می دهد

ما همچنین می توانیم از رابط نوت بوک Jupyter استفاده کنیم تا تصاویر تعاملی از این مباحث و "کلمات کلیدی" از آنها ساخته شود.

تبلیغات
ادامه خواندن زیر

دلیل این که الگوبرداری موضوعی از شرکت SERP ما می تواند برای یک SEO ، بازاریاب محتوا یا بازاریاب دیجیتالی بسیار ارزشمند باشد ، این است که مباحث بر اساس آنچه گوگل فکر می کند بیشتر به جستجوگر در هدف عمودی ما مربوط می شود ساخته می شود (بخاطر داشته باشید که الگوریتم گوگل را بازنویسی می کند. SERPs).

با استفاده از محتوای SERP ، اجازه دهید نگاهی به خروجی کلمه کلیدی یوگا (تجسم با استفاده از بسته PyLDAvis ) بیندازیم :

مدل سازی موضوع SERP

می توانید تعریف کاملی از نحوه محاسبه این تجسم در اینجا پیدا کنید .

تبلیغات
ادامه خواندن زیر

به طور خلاصه ، حلقه‌ها مباحث مختلفی را که در بدن وجود دارد (بر اساس voodoo یادگیری ماشین هوشمندانه ) ارائه می‌دهند. هرچه حلقه ها دورتر باشند ، این مباحث از یکدیگر متمایز تر هستند.

لیست اصطلاحات در سمت راست تجسم ، کلماتی است که این مباحث را ایجاد می کند. این کلمات همان چیزی است که من برای درک موضوع اصلی و بخشی از تجسم که دارای ارزش واقعی است ، استفاده می کنم.

در ویدئوی زیر ، من به شما نشان خواهم داد که چگونه می توانم با این تصویری ارتباط برقرار کنم:

با یک نگاه ، خواهیم دید که زیر شاخه هایی که گوگل فکر می کند جستجوگرها بیشترین علاقه را دارند. این می تواند تبدیل به یکی دیگر از داده های مهم برای ایده پردازی محتوا شود و از لیست اصطلاحاتی که از موضوعات ساخته شده اند می توان برای موضوعی درون صفحه استفاده کرد بهينه سازي.

تبلیغات
ادامه خواندن زیر

داده ها در اینجا همچنین می توانند برنامه های بهینه سازی توصیه های محتوا را در یک سایت و پیوند داخلی داشته باشند.

به عنوان مثال ، اگر ما در حال ایجاد محتوای پیرامون "خوشه موضوع ۴" هستیم و مقاله ای در مورد بهترین نکات یوگا مبتدی داریم ، می دانیم که کسی که آن مقاله را می خواند ممکن است به یک راهنمای بهبود وضعیت با یوگا علاقه مند باشد.

این امر به این دلیل است که "خوشه موضوع ۴" از کلماتی مانند این تشکیل شده است:

  • ژست
  • مبتدی
  • پایه ای
  • آسانا
  • آسان
  • راهنما
  • وضعیت
  • شروع کنید
  • فرا گرفتن
  • تمرین
  • ورزش
تبلیغات
ادامه خواندن زیر

همچنین می توانم لیست اصطلاحات مرتبط با موضوعات خود را با فرمت Excel صادر کنم ، بنابراین به راحتی می توان با تیم های دیگر که ممکن است بینش مفید را به اشتراک بگذارند به اشتراک بگذارید: (برای مثال تیم محتوای شما):

مقولات موضوعی یوگا SERP

درنهایت ، مباحث مشخصه اجسادی است که ما در حال تحلیل هستیم. اگرچه بحث و تبادل نظر در مورد کاربرد عملی مدل سازی مبحث وجود دارد ، ایجاد درک بهتر از ویژگی های SERP هایی که هدف ما قرار گرفته است به ما در بهینه سازی بهتر آنها کمک می کند. این ارزشمند است

تبلیغات
ادامه خواندن زیر

نکته آخر در مورد این ، LDA مباحثی را که ایجاد می کند – این مورد برای ما مناسب نیست – بنابراین چقدر این تحقیق برای سئو یا کمپین های محتوا قابل استفاده است ، به میزان تمیز و روشن بودن موضوعات ما بستگی دارد.

تصویر بالا همان چیزی است که یک نقشه خوشه ای با موضوع خوب به نظر می رسد ، اما آنچه شما می خواهید از آن جلوگیری کنید چیزی است که به نظر می رسد مانند تصویر بعدی. حلقه های همپوشانی به ما می گویند موضوعات به اندازه کافی مجزا نیستند:

نمونه ای از مدل سازی موضوع بد

شما می توانید با اطمینان از این که کیفیت بدن شما خوب است (از بین بردن کلمات متوقف ، لمس کردن ، و غیره) ، و با تحقیق در مورد نحوه آموزش مدل LDA خود برای شناسایی "پاکترین" خوشه های موضوعی مبتنی بر بدنه خود ، می توانید از این کار جلوگیری کنید.

تبلیغات
ادامه خواندن زیر

آیا علاقه مند به استفاده از الگوی موضوع در تحقیق خود هستید؟ در اینجا یک آموزش عالی وجود دارد که شما را در طی کل مراحل طی می کند .

با این تحلیل چه کار دیگری می توانید انجام دهید؟

در حالی که برخی از ابزارهای موجود در خارج وجود دارد که از این نوع تکنیکها برای بهبود عملکرد سئو در صفحه ، پشتیبانی از تیمهای محتوا و ارائه بینش کاربر استفاده می کنند ، من طرفدار توسعه اسکریپت ها / ابزارهای خودتان هستم.

چرا؟ از آنجا که شما کنترل بیشتری بر ورودی و خروجی دارید (به عنوان مثال ، شما فقط یک کلمه کلیدی را در یک نوار جستجو مشاهده نمی کنید و نتایج را به صورت چهره می گیرید).

برای مثال با اسکریپت هایی مانند این می توانید با استفاده از فیلترهای مورد استفاده و نتایج حاصل از آن با استفاده از فیلترها برای تجزیه و تحلیل PoS یا اصلاح مدل رویکرد مدل سازی خود انتخابی کنید.

تبلیغات
ادامه خواندن زیر

دلیل مهمتر این است که به شما امکان می دهد چیزی را ایجاد کنید که دارای بیش از یک کاربرد مفید باشد.

به عنوان مثال ، من می توانم یک مبحث جدید از نظرهای زیر Reddit برای موضوع یا عمودی که در حال تحقیق هستم ایجاد کنم.

انجام تجزیه و تحلیل PoS یا الگوسازی موضوع در یک مجموعه داده مانند آن می تواند برای درک زبان مشتریان بالقوه یا آنچه احتمالاً با آنها طنین انداز است ، واقع بینانه باشد.

استخراج سفارشی Reddit

بدیهی ترین مورد استفاده جایگزین برای این نوع تجزیه و تحلیل ایجاد قشر شما از محتوا در صفحات رتبه بندی برتر است ، نه خود SERP ها.

تبلیغات
ادامه خواندن زیر

باز هم ، دوست داشتن Screaming Frog و DeepCrawl استخراج نسخه از صفحه فرود را نسبتاً ساده می کنند.

این محتوا می تواند به عنوان گروه شما برای جمع آوری بینش در مورد اصطلاحات همزمان و ساختار محتوای صفحه در صفحات فرود با عملکرد برتر ادغام و مورد استفاده قرار گیرد.

اگر شروع به کار با برخی از این تکنیک ها برای خودتان کردید ، من همچنین به شما پیشنهاد می کنم که در مورد چگونگی استفاده از لایه ای از تحلیل احساسات تحقیق کنید . این امر به شما امکان می دهد تا به دنبال گرایش به کلمات با احساس مثبت در مقابل آنهایی که احساسات منفی دارند ، بگردید – این می تواند یک فیلتر مفید باشد.

امیدوارم این مقاله الهام بخش شما برای تحلیل زبان SERP ها باشد.

شما می توانید برخی از بینش های عالی را در مورد این موارد بدست آورید:

تبلیغات
ادامه خواندن زیر
  • چه نوع محتوا ممکن است با مخاطب هدف شما طنین انداز شود.
  • چگونه می توانید بهینه سازی صفحه خود را بهتر از ساختار عبارت query ، بلکه متن و هدف تنظیم کنید.

منابع بیشتر:

تبلیغات
ادامه خواندن زیر

اعتبار تصویر

تصویر برجسته: Unsplash
تمام تصاویر گرفته شده توسط نویسنده ، ژوئن ۲۰۱۹

منبع مقاله

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *