Il existe de nombreux excellents cas d’utilisation de la reconnaissance d’entités sur les termes de recherche dans Google Ads. Au cours de cet article, vous déterminerez un moyen d’optimiser vos comptes Google Ads avec un guide étape par étape pour créer une base de données d’entités personnalisée.La reconnaissance d’entités est une technique d’extraction d’informations. Il identifie et classe les entités nommées lors d’un texte et les place dans des catégories prédéfinies. Ces entités peuvent être des noms, des lieux, des heures, des organisations et de nombreuses informations vitales que vous imaginerez. Soutenu votre entreprise, vous aurez des entités distinctes. Disons que vous vendez une gamme de produits. pour chaque produit, vous avez généralement un nom complet, des identifiants de produit spécifiques chérissent la couleur, la taille, etc. Vous seriez peut-être déjà des entités de victimisation pour les mots-clés de compte pris en charge la connaissance du flux de produits en concaténant différentes colonnes. Actuellement, envisagez d’inverser la méthode totale de génération de mots-clés. Vous commencerez par chaque type de requête utilisateur et devrez extraire des parties pour susciter des questions structurées.Comment utiliser les modèles d’entité découvertsLes campagnes de recherche Google ou les annonces de recherche dynamiques sont un bon moyen de découvrir de nouvelles requêtes de recherche pertinentes – après tout; il y en aura même beaucoup de malsains qui devraient être bloqués. L’analyse de la victimisation n-Gram donne de grandes informations; cependant, en général, cela ne suffira pas. Mapper toutes les connaissances sur les performances aux entités extraites vous fournira de nouvelles informations.
- Il existe des schémas dangereux qui devraient être bloqués. Il peut s’agir d’un modèle d’entité fréquent dans les requêtes des grandes entreprises: [%yourBrand%] [%first name or surname%]. Cela implique que les utilisateurs ne semblent pas trouver votre solution complète pour acheter une chose – ils recherchent des personnes opérant dans votre entreprise. Il y a des milliers de noms qui seront explorés dans les bases de données. Plusieurs d’entre eux n’ont pas assez de clics pour être découverts dans l’analyse n-Gram. Avec l’agrégation d’entités, vous serez prêt à voir ces modèles. Une action typique serait trop défavorable à ces mots
- Pour un deuxième excellent cas d’utilisation, pensez à une structure de compte axée sur l’utilisateur. Des modèles d’entités d’activité sains pris en charge, vous en tirerez une structure de compte triée de manière logique de manière extrêmement granulaire
villes Enrichissez votre liste de la première étape et une paire de variantes fermées détectées mécaniquement et d’entités similaires. J’essaie cela en utilisant des algorithmes de dérivation, des algorithmes de distance et des réseaux neuronaux (implémentation word2vec). Cela peut sembler une théorie ennuyeuse; cependant, voyons cela en action. Voici un exemple de mot pour un client qui vend des logiciels. Je nourris le système avec une entité principale, «système d’exploitation», et attribue deux valeurs: «windows» et «Linux». C’est tout. Cela peut être ce que j’achète une fois Je questionne notre réseau neuronal :
nous avons tendance à obtenir un inventaire des distributions Linux / UNIX et des fautes d’orthographe du réseau neuronal formé avec une année complète de requêtes de recherche de consommateurs. J’ai mentionné que je ne connaissais pas les distributions Linux. Je connais certaines distributions comme ‘Debian’ ou ‘ubuntu. « Une fois une brève analyse Google pour les mots inconnus, j’ai ajouté tout sauf’ game ‘et’ bash ‘à ma liste de systèmes d’exploitation. un travail initial; cependant, son prix est indiqué ! Et rappelez-vous que plus votre entrée initiale est élevée (par exemple, les attributs de votre produit), meilleure est la reconnaissance des entités. À la fin, nous avons une liste de recherche d’entités personnalisée qui sera Dans notre exemple simple, j’ai analysé les requêtes de recherche globales – chaque fois que je trouvais une clé contenue dans nos informations d’entité, j’attribuais à la question complète une balise avec «Système d’exploitation». en fait, conjointement, plusieurs titres prévaudront.Nouvelles perspectives pour les éléments de » faible taille d’échantillon « Pour expliquer l’intérêt de cette approche, je vais vous donner un exemple d’identification des mots clés à exclure. Dans ce cas, un jeu (en ligne, desktop, mobile, etc.) fait partie de la requête de recherche. Pour expliquer l’intérêt de cette approche, je vais vous proposer un exemple de mots-clés négatifs caractéristiques. Dans ce cas, un jeu (en ligne, bureau, mobile, etc.) fait partie de la question de recherche.
- Filtrez les valeurs aberrantes de performance au niveau de la requête avec suffisamment de connaissances d’échantillon → aucun résultat
- Filtrer sur un gramme avec suffisamment de données d’échantillon → 1 résultat: ‘Fortnite. «
nous avons tendance à exécuter des scripts Python pour ces procédures d’analyse pour quelques-uns de nos plus gros clients. Si vous êtes fasciné par une application principalement basée sur Internet pour votre entreprise, veuillez nous contacter pour la prochaine version bêta.