Alors que les domaines du SEO et de la science se rapprochent de plus en plus, Google a fait un pas en avant en proposant un algorithme basé sur un réseau neuronal convolutif qui permet de mieux comprendre les intentions de l’utilisateur.
Qu’est-ce que le neural matching ?
Couvrant 30 % des recherches, l’algorithme neural matching a pour objectif de mettre en relation les recherches et les pages web. Cette méthode connecte des mots à des concepts. Comme dans le cas de la recherche vocale qui semble être le prochain moyen de recherche privilégié dans les années à venir, être capable de mieux comprendre les concepts est important pour l’expérience utilisateur de Google. Il y a une information à souligner ici : cette méthode ne s’appuie pas seulement sur des signaux de liens. Cependant, elle utilise les pages qui ont été déjà été classées.
[Étude de cas] Évolution des besoins SEO : de la start-up à la licorne
Comment cela fonctionne ?
Comment le neural matching peut-il fonctionner ? Comment les résultats peuvent-ils être pertinents ?
Cette méthode est inspirée des techniques d’extraction ad hoc. Cela va certainement animer le débat ! Le document correspondant aux classements (un autre nom utilisé pour ce secteur) utilise le score TF-IDF et la similarité cosinus pour faire concorder des phrases dans des documents et des besoins exprimés dans des recherches.
Comme l’algorithme de neural matching utilise seulement les mots des recherches pour faire correspondre des concepts, la méthode d’extraction ad hoc n’est pas suffisante. C’est à ce moment là que l’intelligence artificielle entre en jeu. L’intelligence artificielle à l’apprentissage non supervisé est utilisée pour progresser sur la compréhension des mots et des concepts.
Appuyé par le Deep Relevance Matching Model (DRMM) pour l’extraction ad-hoc, l’algorithme de neural matching est basé sur la pertinence.
Comme indiqué dans le brevet, cette méthode emploie une architecture jointe profonde lors de la fin de la recherche. Elle l’applique ensuite aux interactions locales entre une recherche et les termes d’un document pour une correspondance pertinente.
Quel impact aura le neural matching pour les SEOs ?
Au-delà des potentiels problèmes engendrés par l’intelligence artificielle, la question est : est-ce que ce nouvel algorithme aura un impact pour les rédacteurs et les éditeurs de contenus ?
Quels types de recherches feront partie des 30 % couverts par ce nouvel algorithme ? Nous savons que l’algorithme RankBrain couvre près de 15 % des recherches qui n’ont jamais été cherchées auparavant.
Nous avons déjà commencé à voir cet impact. Nous parlons beaucoup de l’intelligence artificielle et nous utilisons désormais des algorithmes de machine learning pour mieux comprendre les subtilités entre les données SEO et business et prendre de meilleures décisions SEO.
Comment allons-nous intégrer cette correspondance technique pertinente (décorrélée des autres signaux de classement à ce stade) dans notre organisation quotidienne ? Actuellement, les SEOs qui incluent des techniques de Natural Language Processing dans leur organisation devraient viser une correspondance sémantique. Cependant, la pertinence (d’après Danny Sullivan) peut toujours passer pour une technique de spam, si cela implique l’inclusion de synonymes dans le contenu.
This is a look back at a big change in search but which continues to be important: understanding synonyms. How people search is often different from information that people write solutions about. pic.twitter.com/sBcR4tR4eT
— Danny Sullivan (@dannysullivan) 24 septembre 2018
Actuellement, nous n’avons pas encore beaucoup d’informations sur les recherches qui sont ciblées ou sur la manière dont le contenu devrait être optimisé. La persistance actuelle des connections basées sur des liens entre des sites web et les pénalités pour sur-usage de synonymes pourrait bloquer des tentatives d’optimisation pour le neural matching. Cependant, il est clair que nous allons avoir besoin de repenser la manière dont nous créons le contenu afin de nous adapter.
