همه می‌دانیم که جستجو در وب یعنی الگوریتم، یعنی شیوه‌ای برای جمع‌آوری، تفسیر و جمع‌بندی داده‌های وب و در نهایت، ترکیب آنها در قالب پاسخی به پرسش کاربر. دقیقاً در همین نقطه است که تمایز الگوریتم‌ها، برنده‌ی بازی را مشخص می‌کند و چه کسی هست که نداند گوگل سال‌هاست برنده‌ی این بازی است؟

امروزه، دو گرایش (Trend) عمده در کوئری‌ها یا همان جستجوهای کاربران به وجود آمده است:‌ طولانی‌تر شدن کوئری‌های کاربران و مطالبه‌ی پاسخ‌هایی دقیق‌تر از موتورهای جستجو.

برای مثال اگر چند سال پیش کاربری در شهر تهران به دنبال رستوران می‌گشت، احتمالاً در کادر جستجو، عبارت رستوران در تهران را تایپ می‌کرد، اما همان کاربر امروزه به احتمال زیاد برای یافتن رستوران در تهران، عبارت رستوران ایتالیایی در سعادت‌آباد را جستجو می‌کند. این دو گرایش چالشی بزرگ را پیش پای موتورهای جستجو گذاشتند، چرا که دیگر شناسایی کلمات کلیدی کوئری جستجو برای ارائه‌ی پاسخی دقیق به کاربر کافی نبود و لازم بود کلمات موجود در کوئری به شیوه‌ای جدید تفسیر شوند؛ یعنی باید بین کلمات کلیدی موجود در کوئری جستجوی کاربر، ارتباطی معنایی و منطقی در نظر گرفته می‌شد.

به این ترتیب، موتورهای جستجو توانستند ارتباطی بین کلمات کلیدی پیدا کنند. در حقیقت، کارشناسان توانستند ساختارهایی را پیدا کنند که کوئری جستجو در آن شکل می‌گرفت و این یعنی تولد نسلی هوشمندتر از روش‌های جستجو. راه‌حلی که موتورهای جستجو پیدا کردند ارتباط‌دهی کلمات‌ کلیدی به یکدیگر و تشخیص بافتی بود که کوئری در آن شکل می‌گرفت و این یعنی تولد نسلی هوشمندتر از شیوه‌های جستجو: جستجوی معنایی!

جستجوی معنایی یا Semantic Search چیست؟

منظور از جستجوی معنایی یا همان Semantic Search، مطالعه‌ و درک ارتباط واژه‌ها با یکدیگر و منطق حاکم بر این ارتباط است. در حقیقت، جستجوی معنایی می‌خواهد با درک نیت کاربر از طریق معنای کلمات در بافت (Contextual Meaning)، دقت نتایج جستجو را افزایش دهد و نتایج بهتری را پیش روی کاربر بگذارد.

ویکیپدیا جستجوی معنایی را به بیانی ساده‌تر چنین تعریف می‌کند:

جستجوی معنایی با تلاش برای درک نیّت و مقصود جستجوکننده از طریق بررسی معنای کلمات و عبارات در متن، در فضای داده‌های قابل جستجو (خواه فضای وب باشد، خواه در یک سامانه‌ی محدود) در پی تولید نتایج مرتبط‌تری برای جستجوی کاربر است.

در اینجا لازم است دو واژه را بهتر بشناسیم: نیّت و بافت.

نیت یعنی هدف کاربر از وارد کردن کوئری جستجو. به عنوان مثال موتور جستجو می‌خواهد بفهمد کاربر از جستجوی عبارت رستوران در سعادت‌آباد به دنبال چیست. آیا می‌خواهد رستورانی برای غذاخوردن پیدا کند؟‌ آیا یک تامین‌کننده‌ی مواد غذایی است و می‌خواهد بداند در محدوده‌ی سعادت آباد چند رستوران وجود دارد؟

بافت، هر آن چیزی است که حولِ یک جستجو شکل می‌گیرد و معنای عبارت جستجو شده را محدود کرده و آن را دقیق‌تر و مشخص‌تر می‌سازد. معنای بافتی، یعنی معنایی که بر اساس متن و محتوا و شرایط از واژه، عبارت یا جمله استنباط می‌شود. به بیان ساده‌تر بافت هر چیزی است که یک کلمه درون آن و در ارتباط با آن تفسیر می‌شود. مثلا کلمه‌ی «بفرما» در تعارفات ما ایرانیان همیشه یک معنای واحد ندارد و بسته به بافت، یعنی فضا و شرایطی که این کلمه در آن ادا می‌شود، می‌توان معانی مختلفی از آن برداشت کرد. مثلا اگر با لحنی کنایه‌آمیز، با حالت چهره‌ای سرشار از اکراه و با نگاهی نه چندان دوستانه این عبارت را بر زبان بیاوریم مخاطب ما باید معنایی کنایه‌آمیز و منفی از آن برداشت کند. این عوامل همان بافت یا فضایی را شکل می‌دهند که مخاطب می‌تواند با استناد به آنها، کلمه‌ی بفرما را نه فقط با معنای رایج آن که معنایی مثبت است، بلکه با توجه به نیت و هدف ما تفسیر و تعبیر کند. 

بافت می‌تواند شامل زمان، مکان کاربر، کلمات هم‌نشین (Callocation) در عبارت مورد استفاده‌ی کاربر، ترندهای جهانی جستجو در مورد آن کلمه و بسیاری مولفه‌های دیگر باشد. جستجوی معنایی با تشخیص مفاهیم نزدیک به هم، کلمات هم‌معنی و با استفاده از الگوریتم‌های زبان طبیعی در پی این است که داده‌های ساختارمند و غیرساختارمند وب را به پایگاه داده‌ای قابل درک و نزدیک به زبان و فهم انسان، بدل سازد. از این طریق می‌توان نتایج جستجو را با توجه به عوامل متنی، سابقه‌ی جستجو و حضور آنلاین کاربر، تغییر داد و بهینه‌سازی کرد.

بنابراین موتورهای جستجو با فهمیدن و متصل کردن نیت و بافت به یکدیگر، قادر خواهند بود کوئری‌های مختلف را بفهمند و دریابند که چه چیزی باعث ایجاد یک کوئری توسط کاربر می‌شود. در نهایت نکته مهم این است که کاربر از جستجوی کوئری مورد نظر چه انتظاری دارد.

گوگل وقتی می‌خواهد محتوای مربوط به یک کوئری را تشخیص دهد، عوامل مختلفی را در نظر می‌گیرد:

  • سابقه‌ی جستجوی کاربر
  • محل جغرافیایی کاربر: بسته به محل کاربر، گوگل می‌تواند تشخیص دهد چه نوع نتایجی برای او مناسب‌تر است.
  • سابقه‌ی جستجوی همگانی: جستجوهایی که به طور پی‌ در پی در بازه‌های زمانی نزدیک انجام شده‌اند و با جستجوی کاربر مرتبط هستند.
  • خصوصیات کوئری‌: خصوصیات املایی، گونه‌های مختلف نوشتاریِ یک کلمه و …
  • دامنه‌های لینک‌ داده شده به متون و اسناد مربوط به موضوع جستجو
  • باهم‌آیی کلمات (Co-Occurrence) و فاصله‌ی میان آنها

چرا وجود جستجوی معنایی مهم است؟‌

اگر از دید گوگل به قضیه نگاه کنیم، فهمیدن اینکه چرا یک موتور جستجو به دنبال جستجوی معنایی و در نتیجه به دنبال دنیای معنایی مرتبط‌تری است، چندان سخت نخواهد بود. جستجوی معنایی برای موتورهای جستجو یعنی داده‌های بیشتر، اسپم‌های کمتر، درک عمیق‌تر از قصد کاربر و جستجویی قدرتمندتر بر مبنای زبان طبیعی (زبان محاوره انسان‌ها). دستیابی به جستجوی معنایی به گوگل و سایر موتورهای جستجو امکان می‌دهد تا احتمال ارائه‌ی بهترین تجربه‌ی جستجو و بهترین پاسخ را به کاربر افزایش دهند.

از سوی دیگر حتما خبر دارید که داده‌های دنیا هر دو سال، دو برابر می‌شوند! در چنین شرایطی، کلان‌داده‌ها به قاعده‌ی اصلی بازار جستجو بدل شده‌اند. با این حال، این حجم غیرقابل تصور از داده‌ها معمولاً به این سوال گیج‌کننده ختم می‌شود که « این همه داده برای من چه معنایی می‌دهد؟» فرایند سازمان‌دهی، ساختاردهی و ارتباط‌دهیِ معنایی این داده‌ها، همان نقشی است که موتورهای جستجو به دنبال آن هستند و در این مسیر چه چیزی بهتر از تکنولوژی جستجوی معنایی؟

برخی کاربردهای جستجوی معنایی

جستجوی معنایی در حال حاضر تا حدی توسط گوگل پیاده‌سازی شده و می‌توان نمونه‌هایی از قدرت این شیوه‌ی جدید جستجو را در نتایج جستجوی گوگل مشاهده کرد. قطعاً در آینده کاربردهای بیشتری از دلِ قابلیت‌های جستجوی معنایی بیرون خواهد آمد. در اینجا چند مورد از کاربردهای جستجوی معنایی را معرفی می‌کنیم.

تشخیص و اصلاح خودکار املای کلمات

شاید روزمره‌ترین کاربرد جستجوی معنایی در قابلیت اصلاح خودکار املای کلمات باشد. حتماً برای شما هم پیش آمده که سهواً کلمه‌ای را در کادر جستجو اشتباه تایپ کنید و گوگل شکل درست آن را به شما یادآوری کند و نتایج را نیز بر اساس شکل صحیح کلمه برای شما نمایش دهد. این یکی از کاربردهای جستجوی Semantic گوگل است.

اصلاح خودکار غلط‌های املایی در جستجوی معنایی

اصلاح خودکار غلط‌های املایی در جستجوی معنایی

تشخیص محتواهای بی‌کیفیت

جستجوی معنایی فقط به تشخیص غلط‌های املایی محدود نمی‌شود و گوگل از آن استفاده‌های مهم‌تری می‌کند. اگر کمی تخصصی‌تر بخواهیم توضیح بدهیم باید گفت یکی از منافع جستجوی معنایی برای گوگل این است که از طریق آن می‌تواند محتواهای کم‌کیفیت را شناسایی کند و تنزل اعتبار دهد.

برای مثال در گذشته برخی افراد انبوهی از کلمات کلیدی را همرنگ فضای زمینه‌ی وبسایت در صفحات قرار می‌دادند (به نحوی که کاربر آنها را نمی‌دید)، اما خزشگرهای گوگل (Crawlers) آنها را می‌یافتند و رتبه صفحه را بالاتر ارزیابی می‌کردند. ولی امروزه به لطف الگوریتم‌ها و تکنیک‌های پیچیده‌ای همچون LSI یا latent semantic indexing (نمایه‌گذاری پنهان معنایی)، LDA یا latent Dirichlet allocation (تخصیص پنهان دیریکله) و همچنین تکنیک term frequency-inverse document frequency یا TF-IDF (فراوانی لغت-معکوس فراوانی سند) دیگر حقه‌ی تکرار بی‌حساب و کتاب کلمات کلیدی کاربردی ندارد. به عنوان نمونه در تکنیک LDA یا Latent Dirichlet Allocation از فراوانی یک واژه و روابط از پیش‌تعیین‌شده و وزن‌دهی‌شده‌ی بین واژه‌ها استفاده می‌شود تا کیفیت محتوا به نحو دقیق‌تری ارزیابی گردد. این یعنی موتورهای جستجو درک خوبی از میزان حضور آماری واژه‌ها در کنار یکدیگر دارند و می‌توانند ارتباط معنایی و همبستگی این حضورِ توأمان را درک کنند که این نیز به نوبه‌ی خود در نبرد آنها علیه اسپم و محتوای بی‌کیفیت به کار می‌آید.

حتما بخوانید:  200 فاکتور مهم رتبه بندی وب سایت در گوگل

تولید پاسخ‌های دقیق‌تر و کارآمدتر برای جستجوهای کاربران

موتورهای جستجو با استفاده از جستجوی معنایی می‌توانند به درک بهتری از خواسته‌ی کاربران برسند، زیرا جستجوی معنایی مبتنی بر شیء (Entity-Based) است. منظور از شیء یا Entity، هر چیزی است که هویت و خصوصیاتی ویژه و یکتا دارد؛ نظیر یک فرد مشهور، یک شخصیت سینمایی، یک کتاب خاص، یک ناحیه‌ی جغرافیایی بخصوص، یک نظریه‌ی علمی و … .

برای مثال تصویر زیر، نمایی ساده‌سازی شده از داده‌های موجود در یک الگوریتم جستجوی مبتنی بر شیء را نشان می‌دهد. این تصویر شامل شیء‌هایی (افراد، مکان‌ها، چیزها، مفاهیم یا ایده‌ها) می‌شود که در قالب گره‌هایی به تصویر کشیده شده‌اند و توسط پیکان‌هایی که نشان‌دهنده‌ی رابطه‌ی این گره‌ها هستند به هم متصل شده‌اند.

تصویر زیر نشان می‌دهد جستجوی معنایی یا مبتنی بر شیء چگونه اجزای ریز داده‌های کلان را به هم مرتبط می‌کند. در این مثال کاراکترهای کارتون سیمپسون‌ها را می‌بینیم که باعث می‌شود نتایج حاصل از جستجوی عبارت The Simpsons عمق، گستره و دقت بیشتری یابند:

تولید پاسخ‌های دقیق‌ برای جستجوی کاربران

همانطور که می‌بینید گوگل می‌تواند روابط بین این شخصیت‌ها را به خوبی درک کند.

کادر پاسخ سریع (Featured Snippets) و کادر سوالات مرتبط (People Also Ask)

در مثال بالا، دیدیم که گوگل با ایجاد شبکه‌ای از روابط بین شیء‌ها می‌تواند نسبت و رابطه‌ی آنها با یکدیگر را تشخیص دهد. حال تصور کنید می‌خواهید بدانید شخصیت هومر سیمپسون در این کارتون چه شغلی دارد. جستجوی معنایی گوگل به این موتور جستجو امکان می‌دهد از طریق روابط میان شی‌ء‌ها (در اینجا هومر سیمپسون و محل کارش که یک نیروگاه اتمی است)، پاسخ دقیق سوال شما را با استفاده از امکان پاسخ سریع (Featured snippets) نمایش دهد:

ارائه پاسخ سریع در جستجوی معنایی با کمک Featured Snippets

همانطور که مشاهده می‌کنید، پاسخ سوال کاربر به صورت Bold نمایش داده می‌شود.

همانطور که در تصویر بالا مشاهده می‌کنید، گوگل با استفاده از Featured Snippets پاسخ سوال کاربر را در یک کادر و به صورت Bold نمایش می‌دهد. به این ترتیب دیگر لازم نیست کاربر برای یافتن پاسخ سوال خود، تمام نتایج جستجو را بررسی کنید. به عنوان مثالی دیگر فرض کنید کاربری در گوگل نحوه‌ی ساخت حساب کاربری جیمیل را جستجو می‌کند. پاسخی که گوگل به او می‌دهد بسیار خلاصه و کارآمد است:

طرح سوالات مشابه با کمک بخش People Also Ask در جستجوی معنایی

گوگل دیگر سوالات مشابه با سوالات کاربر را به او نمایش میدهد

در تصویر بالا ما با دو کادر در نتایج جستجو روبه‌رو هستیم. کادر اول که همان کادر پاسخ سریع یا Featured Snippets است و کادر دوم، کادر دیگری با عنوان People Also Ask که نمایش‌دهنده سوالات مرتبط با کوئری جستجوی شماست. در کادر پاسخ سریع گوگل، پاسخ سوال جستجوکننده در چند گام و به صورت خلاصه بیان شده است. در انتهای آن نیز لینکی قرار دارد که کاربر می‌تواند برای دریافت اطلاعات بیشتر به آن مراجعه کند. کادر سوالات مرتبط، دیگر سوالاتی که مرتبط با جستجوی شماست به همراه توضیحی مختصر نمایش داده می‌شود.

گراف دانش (Knowledge Graph)

یک قابلیت هیجان‌انگیز دیگر که با استفاده از جستجوی معنایی ایجاد شده است، گراف دانش است. حتماً در بعضی از جستجوهای خود در سَمتِ راستِ صفحه، یک نوار کناری یا Sidebar مشاهده کرده‌اید. گوگل این نوار کناری را گراف دانش (Knowledge Graph) می‌نامد. گراف دانش یک نمونه‌ی اعلا از سیاست گوگل برای فهم جستجوها به جای فهم رشته‌ی کاراکتر‌های‌ حرفی و عددی است. این یعنی همان شعار گوگل هنگام معرفی گراف دانش در سال ۲۰۱۲: things, not strings.

فرض کنید می‌خواهیم درباره یک ستاره‌ی مشهور سینما جستجویی انجام دهیم. به عنوان مثال کوئری Jennifer Lawrence بازیگر مشهور سری فیلم‌های Hunger Games به مجموعه‌ای از تصاویر، اخبار، حساب‌های کاربری او در شبکه‌های اجتماعی و عناوین فیلم‌های او و همچنین برخی از همکاران او ختم می‌شود:

نمونه ای از گراف دانش یا Knowledge Graph

همانطور که می‌بینید تمام اطلاعات مرتبط با این بازیگر به صورت دسته‌بندی شده در اختیار کاربر قرار می‌گیرد.

در واقع، گوگل با الگوریتم جستجوی معنایی خود از طریق فهم یک شیء (در اینجا: جنیفر لاورنس) و همچنین با افزودن داده‌های مربوط به عادات جستجوی همه‌ی کاربرانی که پیش از این به دنبال خبر، مشخصات و زندگینامه‌ی جنیفر لاورنس بوده‌اند، می‌تواند بهتر دریابد که کاربر بعدی احتمالا با جستجوی عبارت [Jennifer Lawrence]  به دنبال چه نتایج و جزئیاتی از این کوئری است تا همان‌ها را به او نشان دهد.

در تصویر بالا می‌بینیم که اخبار، تصاویر، صفحه‌ی این شخص در ویکیپدیا، صفحه‌ی حرفه‌ای او در وبسایت سینمایی IMDB، اطلاعات شخصی او نظیر سال تولد، محل تولد، والدین و …، فیلم‌هایی که بازی کرده است و همچنین لیستی از همکاران و همبازیان او در این فیلم‌ها توسط گوگل به کاربر نمایش داده می‌شود.

این در حالی است که اگر گوگل از جستجوی معنایی استفاده نمی‌کرد ممکن بود در صفحه‌ی نخستِ نتایج، هیچ خبری از حساب‌ کاربری او در شبکه‌های اجتماعی نباشد و در عوض مثلاً مقاله‌ای طولانی درباره آخرین مدل موی او قرار بگیرد (چیزی که بعید است نیت اکثر کاربران از جستجوی نام این بازیگر باشد).

تصور کنید بدون الگوریتم‌های جستجوی معنایی، این اطلاعات فشرده (و تقریباً همه‌جانبه) چگونه در ده‌ها و صدها صفحه‌ی نتایج جستجو پراکنده می‌شدند و کاربر برای یافتن هر قسمت از این اطلاعات، چقدر باید وقت و انرژی صرف می‌کرد. اما گوگل با تشخیص خواسته‌ی اکثر کاربران و مرتبط کردن داده‌های مربوط به شیء (در اینجا بازیگر مورد نظر) کار را آسان کرده و تجربه‌ای مثبت برای کاربر فراهم می‌کند.

خوشبختانه از سال ۲۰۱۴ گراف دانش برای زبان فارسی هم ارائه شده است. این گراف با استفاده از اطلاعات ویکیپدیای فارسی، سعی می‌کند پرطرفدارترین و پرجستجوترین اطلاعات مربوط به هر شیء را در کمترین زمان ممکن و به شکل خلاصه به کاربر نمایش دهد. در زیر نمونه‌ای از آن را می‌بینید. برای استفاده از گراف فارسی بهتر است از نسخه‌ی فارسی گوگل استفاده کنید.

نمونه‌ای از Knowledge Graph در وب فارسی

نمونه‌ای از Knowledge Graph در وب فارسی

البته لازم به ذکر است که گراف دانش فارسی به دلیل ضعف محتوا در وب فارسی، آنچنان که باید کاربردی نیست. در ادامه‌ی مقاله این موضوع را دقیق‌تر بررسی می‌کنیم.

امروزه گوگل و سایر موتورهای جستجو به خوبی در جستجوی معنایی پیشرفت کرده‌اند و قادرند شیء‌های (Entities) بسیار زیادی را تشخیص داده و برایشان، پاسخ‌هایی فراهم کنند. برای مثال وقتی کاربر می‌خواهد بداند خواننده‌ی آهنگ Up&Up کیست، گوگل می‌داند که گروه Coldplay این آهنگ را ساخته است. همین قدرت گوگل در ایجاد ارتباط بین یک کلمه کلیدی و یک شیء است که به تولید پاسخی دقیق منتهی می‌شود. پاسخی که جستجو را برای کاربران لذت‌بخش‌ و کارآمد می‌سازد.

کاربرد Featured Snippets در جستجوی گوگل

گوگل، پاسخ سوال را در سریعترین شکل ممکن ارائه می‌کند

به دنبال خدمات سئو هستید؟

ما دانش لازم برای افزایش اعتبار و رتبه شما در گوگل را داریم. پس خوبه با ما تماس بگیرید.

برای مشاوره رایگان، همین الان با ما تماس بگیرید.

افزایش ترافیک وب سایت شما
021-63404 داخلی 3

اوضاع جستجوی معنایی در وب فارسی چگونه است؟

متاسفانه تعریفی ندارد! با اینکه گوگل بستر وب معنایی را آماده کرده است و این شیوه‌ی جستجو از زبان فارسی نیز پشتیبانی می‌کند، اما ضعف وب فارسی در تولید محتوا و کیفیت آن باعث می‌شود اکثر اوقات کاربر فارسی زبان در جستجوی معنایی به در بسته بخورد!

حتما بخوانید:  عوامل موثر در رتبه گوگل بر طبق یک میلیون نتیجۀ جستجو

مثلاً تعداد گراف‌های دانش در زبان انگلیسی اصلاً با زبان فارسی قابل مقایسه نیست، زیرا پایگاه‌هایی همچون ویکیپدیای فارسی در مقایسه با ویکیپدیای انگلیسی به شدت کوچک‌تر و کم‌دامنه‌تر هستند. در جستجوی فارسی اگر نام برخی افراد معروف، مکان‌های تاریخی، اتفاقات خیلی معروف و چیزهایی از این دست را جستجو کنید، گوگل می‌تواند از ویکیپدیای فارسی گراف دانش تولید کند، اما اگر کوئری شما کمی مهجورتر و ناشناس‌تر باشد گراف دانش تولید نمی‌شود. این مسئله در مورد کادر Featured Snippets و کادر People Also Ask نیز صدق می‌کند.

به عنوان مثال، زمان نگارش شاهنامه را به زبان فارسی در گوگل فارسی جستجو کردیم. در پاسخ، گوگل صرفاً نتایجی از ویکیپدیا و سایر وبسایت‌ها به ما نشان داد:

نقص جستجوی معنایی در وب فارسی

اما وقتی همین جستجو را به زبان انگلیسی در گوگل انگلیسی انجام دادیم، گوگل قادر بود از محتوای صفحه‌ی ویکیپدیای انگلیسیِ شاهنامه یک پاسخ سریع (Featured Snippet) بسازد که در آن تاریخ نگارش شاهنامه را با حالت bold برجسته کرده است:

مثال دیگری که در زمینه ضعف محتوای وب فارسی می‌توان زد همان مثال ساخت حساب کاربری جیمیل است که بالاتر در جستجوی انگلیسی مشاهده کردیم. در بالا، دیدیم که کاربر یک کادر پاسخ سریع (Featured Snippet) و همچنین کادر سوالات مرتبط (People Also Ask) را مشاهده خواهد کرد. اما ببینیم همین کوئری در نسخه‌ی فارسی گوگل چه نتیجه‌ای دارد:

باز هم خبری از کادر پاسخ سریع و کادر سوالات مرتبط نیست!

به نظر می‌رسد ضعف مفرط محتوای وب فارسی تا حد زیادی ناشی از عدم توجه به نیاز کاربران فارسی‌زبان و دست‌کم گرفتن فرایند تولید محتوا است. تولید محتوا در وب فارسی، بیشتر شبیه به یک فرآیند مکانیکی شده است و صاحبان وبسایت‌ها و کارشناسان سئو به محتوا، به عنوان محصول نهاییِ یک خط تولیدِ مکانیزه نگاه می‌کنند: محصولی که برای موتور جستجو تولید می‌شود، نه برای مصرف انسان‌های عادی!

این نوع نگاه باید دگرگون شود چون تغییرات بزرگی در راه است. باید توجه کنیم که آینده از آن جستجوی معنایی است و وبمستران و وبسایت‌هایی که خود را برای این موج بزرگ آماده کرده باشند، قطعا از رقبای خود چندین گام جلوتر خواهند بود.

جستجوی معنایی چه اهمیتی در سئو دارد؟

اما اهمیت جستجوی معنایی در سئو چگونه خود را نشان می‌دهد؟ آشنایی با جستجوی معنایی برای متخصصان سئو بسیار مهم است زیرا باعث می‌شود همگام با تغییر و تحول موتورهای جستجو پیش بروند. همچنین در آینده نزدیک، جستجوی صوتی بیش از پیش از نتایج جستجو سهم خواهد داشت، به همین دلیل اهمیت زبان محاوره در جستجو غیرقابل انکار خواهد بود. بنابراین صاحبان وبسایت‌ها و سئوکارها باید تغییرات و تکنیک‌ها و قواعد جستجوی معنایی را به دقت رصد کنند.

اطلاع ما از نحوه‌ی کار جستجوی معنایی، زاویه‌ی دید جدیدی در تولید و عرضه‌ی محتوا به ما می‌دهد. در حقیقت، باید محتوا را با این شیوه‌ی جستجو آشتی داد و برای آن مناسب‌سازی کرد. به عنوان مثال اگر از تمام موضوعات و کلمات کلیدیِ مربوط به یک شیء خاص مطلع باشیم و سناریوهای احتمالی جستجوی کاربر را پیش‌بینی کنیم، آنگاه می‌توانیم نحوه‌ی پاسخگویی گوگل به کوئری کاربر را نیز تا حد زیادی درک کنیم و نتیجتاً محتوایی تولید کنیم که جایگاهی مناسب در پاسخ تولیدی گوگل داشته باشد؛ و چه بسا محتوای ما در کادر پاسخ سریع گوگل قرار گیرد.

استراتژی‌های سئوی مبتنی بر جستجوی معنایی 

۱. ساختار ایجاد کنید

وقتی دارید یک محتوای جدید خلق می‌کنید، از خود بپرسید اطلاعات را به چه شیوه‌ای ارائه کنم تا ساختار و بستری یکپارچه و منطقی، حول آن شکل بگیرد و یافتنش برای کاربر آسان باشد. وقتی کاربر بتواند محتوا و اطلاعات مطلب شما را در ساختاری مناسب به راحتی بفهمد، مطمئن باشید نه فقط به کاربر کمک کرده‌اید، بلکه گام بزرگی در کمک به موتورهای جستجو برای فهم محتوای خود برداشته‌اید.

۲. باهم‌آیی را فراموش نکنید

در زبانشناسی وقتی از باهم‌آیی، هم‌آیندی یا هم‌رخدادی (Co-Ocurrence) صحبت می‌کنیم، منظور کنار هم نشستن دو یا چند واژه در اکثر موارد است. مثلاً دو کلمه‌ی چه و خبر در عبارت چه خبر؟، هم‌آیند هستند. یعنی کاربران زبان فارسی معمولاً این دو کلمه را در کنار هم استفاده می‌کنند و زمانی که اولی را شنیدیم می‌توانیم انتظار داشته باشیم کلمه‌ی بعد از آن خبر باشد. خورد و خوراک، ثبت و ضبط، رفت و آمد، سگ و گربه و اشک و لبخند تنها تعدادی از مثال‌های باهم‌آیی در زبان فارسی هستند.

همین مفهوم دقیقاً توسط موتورهای جستجو در جستجوی معنایی به خدمت گرفته شده است. این موتورها با کلمات موجود در ترکیب‌های هم‌آیند، دایره‌ی معنایی کوئری را کوچک‌تر می‌کنند. برای مثال وقتی تایپ می‌کنید ثبت و ضبط، سایر نتایج مربوط به ضبط صوت از دامنه‌ی نتایج مربوط به کوئری شما خارج می‌شوند. البته موتورهای جستجو در جستجوی معنایی، هم‌آیی را وسیع‌تر از تعریف زبانشناسی آن در نظر می‌گیرند و نه تنها کلمات کاملاً همنشین را برای یافتن نتایج مرتبط مدنظر قرار می‌دهند، بلکه مجموعه کلماتی که به طور منطقی می‌توانند در صحبت از یک موضوع خاص، در متن به کار روند مورد بررسی قرار می‌دهند.

برای مثال اگر در مورد شیر در محتوای وبسایت خود مطلبی نوشته‌ایم و منظورمان حیوان درنده‌ی جنگل باشد نه شیر خوراکی، منطقی است که کلماتی مانند جنگل، درنده، سلطان جنگل، یال، شکار و … را نیز در متن خود به کار برده باشیم. به این ترتیب اگر بتوانیم کلماتی را شناسایی کنیم که معمولاً با کلمه‌ی کلیدی ما در یک محتوا همنشین می‌شوند و سپس آنها را در محتوای خود به کار ببریم، شانس دیده شدن و برگزیده شدن محتوای خود در نتایج جستجو را به شدت افزایش داده‌ایم.

پس اگر می‌خواهید محتوای شما در نتایج گوگل جزو پاسخ‌های دقیق به کوئری کاربر قرار گیرد، سعی کنید کلمات همنشین با کلمات کلیدی خود را نیز در محتوا بگنجانید تا مبادا از دایره‌ی پاسخ‌های دقیق حذف شوید.

۳. کلمات هم‌معنی و نسخه‌های متفاوت از یک کلمه‌ی واحد

استفاده از کلمات هم‌معنی و همچنین، نسخه‌های متفاوت یک کلمه یا یک مفهومِ واحد نیز فواید زیادی دارد. اما منظور از نسخه‌های متفاوت یک کلمه یا مفهوم واحد چیست؟

فرض کنیم کلمه‌ی کلیدی شما سئو باشد، در اینجا باید در نظر بگیرید که مفهوم سئو را کاربران با چند کلمه‌ی متفاوت در گوگل جستجو می‌کنند: سئو، SEO، بهینه‌سازی برای موتورهای جستجو و Search Engine Optimization. مثال دیگر از نسخه‌های متفاوت یک کلمه را می‌توان در نوع نگارش یک کلمه‌ی واحد یافت. برای مثال اگر محتوایی در مورد پوشاک پاییزه می‌نویسید، باید حواس‌تان باشد که برخی از کاربران ممکن است به جای پاییزه از کلمه‌ی پائیزه یا حتی کلمات پاییزی و پائیزی استفاده کنند. اینها همه نسخه‌ها یا گونه‌های مختلف از یک مفهوم یا کلمه‌ی واحد هستند.

مثال بالا؛ نمونه‌ای از نسخه‌های متفاوتِ یک کلمه بود، اما برای کلمات هم‌معنی هم می‌توان به همین مثال مراجعه کرد. برای مثال تعداد زیادی از کاربران به جای پوشاک از کلیدواژه‌ی لباس، البسه و لباس‌ها استفاده کنند که همگی یک معنی‌ را می‌دهند. به خاطر داشته باشید که استفاده از کلمات هم‌معنی یا نسخه‌های متفاوتِ یک کلمه، علاوه بر این که ساختار محتوای شما را غنی‌تر کرده و از تکرار بی‌مورد و بیش از حد کلمه‌ی کلیدیِ اصلی جلوگیری می‌کند، باعث می‌شود موتورهای جستجو سایر اصطلاحات و کلیدواژه‌های مربوط به موضوع محتوای شما را نیز بشناسند.

حتما بخوانید:  ورودی گوگل خود را بدون لینک سازی و با تولید محتوا افزایش دهید

۴. به وبسایت‌ها و منابعی با موضوعات مشابه لینک بدهید

هنگام لینک دادن به وبسایت‌های دیگر، دقت داشته باشید که محتوای این وبسایت‌ها مشابه موضوع سایت شما باشد. همچنین، این لینک‌ها باید به مطالبی داده شوند که باکیفیت‌تر از محتوای شما باشند یا دست کم از کیفیت برابری با محتوای شما برخوردار باشند. با این کار در واقع، ارتباطی بین این دو محتوا را تقویت کرده و همچنین ارزش بیشتری برای کاربران خود فراهم می‌آورید. این موضوع قطعاً از چشم گوگل پنهان نمی‌ماند و پاداش آن را دریافت خواهید کرد.

۵. محتوایی تولید کنید که به سوالات کاربر پاسخ دهد

آفت هر محتوا کلی‌گویی و نامفهوم بودن است! محتوای شما باید با فعالیت شما مرتبط بوده و با هدف مشخصی تولید شده باشد، به سوال احتمالی در ذهن کاربر پاسخ دهد و منبعی ارزشمند و قابل استناد در حیطه‌ی موضوعی خودش قلمداد شود. همچنین، در ساختار محتوا تنوع ایجاد کنید. مثلا علاوه بر متن از عکس و نمودار و ویدیو استفاده کنید.

۶. ساده و پاسخ‌محور بنویسید

به یاد داشته باشید که شما برای موتورهای جستجو نمی‌نویسید، در وهله‌ی اول کاربر مهم است و زبان نوشته‌ی شما باید طبیعی باشد. نباید در نوشته‌ی خود از این شاخه به آن شاخه بپرید. هم کاربر و هم موتورهای جستجو باید بتوانند خط سیر نوشته‌ی شما را از ابتدا تا انتها درک کنند و بفهمند که چطور محتوای شما در مورد موضوعی خاص، از نقطه‌ی الف به نقطه‌ی ب می‌رسد و در نهایت نتیجه‌ی ج را به دست می‌دهد.

همچنین، زبان طبیعی در نوشتار را دست‌کم نگیرید چرا که گوگل آینده‌ی جستجوی صوتی را بسیار درخشان می‌بیند و این جستجو اساساً بر پایه‌ی زبان طبیعی شکل می‌گیرد. گوگل از سال ۲۰۱۳ با معرفی الگوریتم مرغ مگس‌خوار (Hummingbird) و در ادامه با معرفی عامل رتبه‌بندی جدیدش به نام RankBrain در سال ۲۰۱۵، بیش از پیش به سمت زبان طبیعی حرکت کرده است.

۷. در ساخت لینک داخلی زیاده‌روی نکنید

مدت‌ها است که لینک‌ دادن به سایر محتوای وبسایت، یکی از روش‌های افزایش ماندگاری مخاطب در وبسایت و کمک به او در گرفتن پاسخی جامع‌تر محسوب می‌شود. با این حال، نباید در این کار زیاده‌روی کرد. فقط زمانی به سایر محتواهای وبسایت خود لینک بدهید که واقعاً اطمینان داشته باشید کاربر از نظر موضوعی خواهان و نیازمند آن لینک است.

۸. بر کلمات کلیدی طولانی‌ تمرکز کنید

بالا آمدن در نتایج جستجوی گوگل در کلمات کلیدی طولانی آسان‌تر و چه بسا پرمنفعت‌تر است. علاوه بر این، با استفاده از کلمات کلیدی طولانی به موتورهای جستجو می‌فهمانید که پاسخی دقیق‌تر برای جستجوی کاربر در اختیار دارید.

۹. نشان‌‌گذاری طرح‌واره‌‌ها (Schema Markup) را فراموش نکنید

گوگل، یاهو و بینگ در سال ۲۰۱۱ پروژه‌ای به نام Schema.org را راه‌اندازی کردند که هدف آن شناساندنِ قطعاتِ محتوا با عنوان دقیق آنها به موتورهای جستجو و ساده‌تر کردن فرآیند جستجو بود. در حقیقت نشان‌گذاری طرح‌واره‌ها یا اسکیما مارک‌آپ (Schema Markup) یکی از راه‌های رسیدن به وب معنایی (Semantic Web) است.

نشان‌گذاری طرح‌واره‌ها، یعنی شناساندن برخی طرح‌واره‌ها (مفاهیم) به موتورهای جستجو از طریق کد HTML تا آنها بتوانند آسان‌تر بخش‌هایی از وبسایت و محتوای شما را درک کرده و نتایج مرتبط‌تر و دقیق‌تری در اختیار کاربر بگذارند. در واقع، نشان‌گذاری طرح‌واره‌ها نوعی فرهنگ لغت معنایی (Semantic Vocabulary) برای موتورهای جستجو است که دسته‌بندی موضوعی قسمت‌هایی از محتوای وبسایت شما را به موتور جستجو اعلام می‌کند.

برای مثال با قرار دادن یک کد خاص در صفحه‌ی HTML وبسایت خود می‌توانید آن بخشی از محتوای یک صفحه را که در مورد زمینه‌ی فعالیت شما است، با کدی که زمینه‌ی فعالیت را به موتور جستجو می‌فهماند، مشخص کنید. این کار باعث می‌شود زمینه‌ی فعالیت شما دیگر از نظر موتور جستجو صرفاً چند کلمه‌ی کنار هم نباشد بلکه اگر کسی اسم آن فعالیت یا زمینه‌ی فعالیت شما را جستجو کرد گوگل می‌داند که دقیقا باید سراغ چه بخشی از وبسایت و صفحه‌ی شما برود و آن بخش را تحت چه عنوان به کاربر نمایش دهد.

مثلا وقتی در مطلب خود از یک فیلم نام می‌برید می‌توانید با کد HTML مربوط به طرح‌واره‌ی Movie به گوگل و سایر موتورهای جستجو بفهمانید که وقتی در متن خود نوشته‌اید «هری پاتر»، منظورتان یک فیلم سینمایی به اسم هری پاتر است نه کتاب هری پاتر یا هر چیز دیگری. همانطور که می‌بینید استفاده از نشان‌گذاری طرح‌واره‌‌ها یا اسکیما مارک‌آپ به شدت دقت موتورهای جستجو را بالا می‌برد.

در این صفحه از وبسایت Schema.org لیست کاملی از تمام آیتم‌هایی را می‌بینید که می‌توان آنها را در حال حاضر نشان‌گذاری کرد و به موتورهای جستجو شناساند. در تصویر زیر، مثالی از وبسایت Schema.org را می‌بینید که نشان‌گذاری طرح‌واره‌ی Movie برای فیلم «آرواره‌ها» (Jaws) را نشان می‌دهد.

نمونه‌ای از کد Schema Markup

نمونه‌ای کد Schema Markup برای فیلم آرواره‌ها

در این فرصت اندک نمی‌توان حق مطلب را درباره مبحث نشان‌گذاری طرح‌واره‌ها یا اسکیما مارک‌آپ ادا کرد، اما به طور خلاصه می‌توان گفت اگر از این قابلیت استفاده کنیم هم از زحمت موتورهای جستجو می‌کاهیم و هم شانس دیده شدن محتوای خود و نمایش محتوای خود دقیقا به همان کاربرانی که به آن نیاز دارند را به شدت افزایش می‌دهیم. به عنوان مثال مطالعه‌ای نشان داده است که بیش از یک سوم نتایج گوگل یعنی دقیقا ۳۶% از این نتایج، با اطلاعاتی به کاربر نمایش داده می‌شوند که حاصل از نشان‌گذاری طرح‌واره‌ای هستند و حداقل یک کد شناسای HTML از کدهای Schema.org در آنها استفاده شده است. از سوی دیگر نکته‌ی جالب و تاسف‌برانگیز این است که فقط ۰٫۳% از وبسایت‌ها از این قابلیت بسیار کاربردی استفاده می‌کنند!

نتیجه‌گیری

اکنون می‌دانیم که چشم‌انداز جستجو در حال حاضر و در آینده، چیزی نیست جز جستجوی معنایی! جستجوی معنایی یعنی جستجویی مبتنی بر ادبیات و زبانی شبیه به زبان روزمره‌ی انسان‌ها؛ با همان نیت‌ها و همان اهدافی که خود ما حین حرف زدن از یک موضوع در ذهن‌مان داریم. در این چشم‌انداز، اگرچه کلمات کلیدی همچنان اهمیت بالایی دارند، اما دیگر یگانه عامل صعود و سقوط شما در نتایج جستجو نیستند. آنچه امروز اهمیت دارد، در نظر گرفتن ارتباط منطقی اجزای محتوا با یکدیگر و ایجاد ساختاری منظم و قابل پیش‌بینی است: ساختاری که روزانه در زبان طبیعی ما بارها و بارها از آن استفاده می‌شود.

از سوی دیگر حالا که می‌دانیم گوگل با استفاده از گراف دانش (Knowledge Graph) و کادرهای پاسخ سریع (Featured Snippet)‌ و سوالات مرتبط (People also ask) تا چه حد توانسته تجربه‌ی جستجو را ساده‌تر، سریعتر و کارآمدتر کند، بهتر می‌توانیم محتوای خود را متناسب با شیوه‌ی کار گوگل تغییر دهیم. همواره باید در نظر داشته باشیم که گوگل می‌خواهد محتوایی را به عنوان پاسخ به کاربر نشان بدهد که ساده و سرراست و دقیق باشد. به همین دلایل است که باید از وضعیت فعلی وب و محتوای فارسی فاصله بگیریم و با رویکرد جدیدی فرایند تولید محتوا را برای کاربران، و نه برای موتورهای جستجو، بهینه‌سازی کنیم. در این مسیر می‌توانیم از راهکارهایی که در این مقاله ارائه شد استفاده کنیم و بخصوص بیش از پیش به قابلیت نشان‌گذاری طرح‌واره‌ها یا اسکیما مارک‌آپ (schema markup) بها بدهیم. چرا که اگر موتورهای جستجو محتوای ما را بهتر بفهمند، طبیعتاً پاسخ بهتری به جستجوی کاربران خواهند داد. پس سوال اساسی این است که چرا در وب فارسی خودمان را از قابلیت‌های جستجوی معنایی محروم می‌کنیم؟‌