Qu'est-ce que l'analyse sémantique?

Ce blog va expliquer ce qu'est l'analyse sémantique et pourquoi elle est importante pour les spécialistes du marketing … mais nous n'avions pas à vous le dire, n'est-ce pas?

Vous le saviez déjà.

Comment le saviez-vous?

En raison des indices contextuels:

1. Le titre (il dit littéralement «qu'est-ce que l'analyse sémantique»)
2. La ​​publication (vous savez que le blog Zeta publie du contenu destiné aux spécialistes du marketing)

Vous avez utilisé ces deux indices contextuels pour comprendre la signification implicite du titre et prédire avec précision ce que ce blog va discuter.

Qu'est-ce que vous venez de faire là-bas? —C'est l'analyse sémantique (SA).

Les humains font incroyablement bien l'analyse sémantique. En fait, nous sommes si bons dans ce domaine, c'est généralement un exercice inconscient, comme respirer… nous le faisons simplement sans y penser.

Nous analysons…

• Contexte entourant les mots, expressions, objets, scénarios, etc.
• Extrayez les informations pertinentes
• Comparez ces informations avec l'expérience antérieure

… puis utilisez les résultats de cette analyse pour prédire un résultat avec une précision incroyable.

Les machines ne pouvaient pas faire ce que nous faisons

Pour la majeure partie de l'histoire enregistrée, l'analyse sémantique était la compétence exclusive de l'homme – outils, technologies et les machines ne pouvaient pas faire ce que nous faisons. Ils ne pouvaient pas traiter le contexte pour comprendre quel matériel est pertinent pour prédire un résultat et pourquoi.

Mais l'évolution de l'intelligence artificielle, de l'apprentissage automatique et du traitement du langage naturel a changé tout cela. Les algorithmes avancés, les ordinateurs de plus en plus puissants et la pratique basée sur les données ont fait de l'analyse sémantique pilotée par machine une chose réelle avec un certain nombre d'applications du monde réel.

L'analyse sémantique pilotée par machine peut…

• messages en ligne
• Trouver une réponse à une question sans avoir à demander à un humain
• Extraire des informations pertinentes et utiles à partir de grands corps de données non structurées

Et bien plus encore!

Avant l'analyse sémantique, il y avait une analyse textuelle

Et ce n'était pas bon.

Au début de MarTech, les gens écrivaient des programmes pour extraire d'énormes quantités de données pour des mots et des phrases récurrents (rappelez-vous les nuages ​​de mots?).

Pourquoi? Parce que l'on croyait que la fréquence des mots était liée à leur importance – plus le mot est important, plus il apparaîtra fréquemment. Pourtant, cette croyance a fait de nombreuses hypothèses erronées, la principale étant que «le contexte n'a pas d'importance».

Mais comme toute personne qui a déjà eu un rendez-vous, est allée à un spectacle de comédie ou a eu la plus fondamentale des interactions humaines peut dire vous, "le contexte est très important." Sans le contexte environnant, la fréquence d'un mot n'a pas beaucoup de sens.

Vous voulez voir ce que nous voulons dire?

Une analyse textuelle du mot «fouet» pourrait saisir un résultat comme celui-ci…

… ce qui est formidable parce que nous pensions au mot «fouet» dans le contexte d'un «coup de fouet».

Cependant, une analyse textuelle du mot «fouet» pourrait tout aussi bien saisir un résultat comme celui-ci…

«Whip» dans le contexte de Cool Whip .

Ou ce…

Ou ce…

"Fouet" dans le contexte de Devo, une merveille à succès en 1980 "Whip It".

Annnnnd, ce serait un problème, n'est-ce pas? [19659018] Puis il y a eu le balisage…

Le balisage a tenté d'utiliser la compréhension humaine du contenu pour créer des lignes directrices basées sur des mots clés que les machines pouvaient suivre pour identifier un contenu important (contenu pertinent pour le besoin sous-jacent d'un chercheur individuel). Mais comme l'analyse textuelle, le balisage est venu avec une liste de limitations: balises redondantes, balises mal orthographiées, balises appliquées de manière incohérente, sur-balisage, etc. En fin de compte, le balisage s'est avéré ne pas être mieux qu'une supposition éclairée de l'intention de l'utilisateur final.

(Pour être clair, cela ne veut pas dire que les spécialistes du marketing devraient cesser de baliser leur contenu – les balises sont un élément important de la compréhension sémantique. Au contraire, cela signifie que vous devez utiliser les balises conformément à une taxonomie faisant autorité et basée sur les données. ou un ensemble défini de règles.)

L'analyse des sentiments fait une brève éclaboussure

Alors que les médias sociaux et le contenu généré par les utilisateurs ont commencé à envahir Internet au début des années 2000, les spécialistes du marketing ont commencé à développer un appétit insatiable pour ce qui signifie [19659017] dans les données – non seulement en sachant si des consommateurs individuels parlaient d'une marque donnée, mais comment ces consommateurs se sentaient envers la marque, ses produits et ses services.

Pour répondre à la demande de sentiment des marketeurs, les plateformes d'analyse sociale ont commencé à proposer des analyses «chaudes ou froides» des sujets et des marques.

Mais qu'est-ce que l'analyse des sentiments? En vérité, ce n'est rien de plus qu'une application de compréhension explicite (par exemple, si le mot «suce» apparaît dans un Tweet à côté de «Nike», et que la plate-forme d'analyse sociale sait identifier le mot «suce» comme indicateur de négativité, alors le peut en déduire que ce que le consommateur dit de la marque Nike est négatif).

«L'analyse sémantique ne consiste pas à enseigner les machines, mais à les faire apprendre.»

Du point de vue informatique, la sémantique est un «jeton» qui fournit un contexte au langage – des indices sur la signification des mots et des mots. les relations de ces mots avec d'autres mots. À partir de ces «jetons», on s'attend à ce que la machine regarde au-delà des mots individuels utilisés pour identifier le vrai sens de ce qui est dit dans son ensemble.

Une analyse sémantique réussie nécessite une machine pour examiner les ensembles de données MASSIVES et, en analysant ces ensembles, former des hypothèses précises qui tiennent compte du contexte. Autrement dit, il s'agit de demander à une machine de faire des sauts cognitifs significatifs en utilisant des mesures basées sur les données (fréquence, emplacement, etc.).

(Par exemple, avoir un ordinateur établit le lien avec le fait qu'une «Dalmation» est une «race de chien tachetée» à partir d'informations sémantiques fournies par de grands ensembles de données.)

Pourquoi L'analyse sémantique est-elle si importante pour fournir un contenu pertinent?

Pourquoi nous soucions-nous si un ordinateur sait qu'un dalmatien est une race de chien tachetée? Parce que s'il sait qu'un dalmatien est une race de chien tacheté, il saura que quelqu'un qui recherche «chien tacheté» recherche vraiment du contenu lié aux dalmatiens.

Afin de s'assurer que le contenu est pertinent pour l'utilisateur, deux éléments sont requis:

1. Une compréhension de l'utilisateur
2. Une compréhension du contenu

Le problème avec l'établissement de relations entre des éléments de contenu est que la plupart des technologies de «grattage» ou de «capture de données» ne comprennent pas très bien le langage contextuel d'un document. Il peut y avoir des niveaux simplistes d'apprentissage automatique impliqués, mais ces niveaux reposent fortement sur les balises fournies et une compréhension superficielle des mots individuels sur la page … laissant la porte grande ouverte pour l'amélioration.

«Si nous pouvons comprendre le contenu et le comportement des utilisateurs à un niveau sémantique profond, nous pouvons fournir un contenu plus pertinent et ainsi créer une expérience utilisateur plus résonnante.»

Que se passe-t-il lorsque vous rechercher le terme "jaguar"?

Si vous recherchez le terme "jaguar", vous retournerez des résultats pour:

Un prédateur…

Une voiture de luxe…

Une équipe de football… [19659074]

Et un certain nombre d'autres résultats qui pourraient vous surprendre.

Par conséquent, l'objectif de l'analyse sémantique est d'associer le terme "jaguar" à votre véritable intention afin de fournir le contenu que vous recherchez. Pour atteindre cet objectif, une machine:

1. trouvera des indices contextuels dans votre comportement en ligne, passé ou présent (avez-vous fait des recherches sur de «nouvelles voitures»? Avez-vous récemment recherché des «zoos à proximité»?).
2. Regardez tout le contenu à sa disposition où «jaguar» (ou mots apparentés) apparaît pour déterminer quel contenu correspondra le mieux aux intentions derrière votre recherche.

Le nombre de connexions qu'une machine peut établir (et dans quelle mesure cette machine peut comprendre les relations entre ces connexions) déterminera la pertinence des résultats fournis au chercheur (dans ce cas, vous).

La pertinence est à la fois l'objectif et l'unité de mesure en ce qui concerne l'analyse sémantique – comprendre à la fois le contenu et l'intention (ou le besoin) de l'individu est la clé pour offrir une expérience utilisateur plus précieuse et plus résonnante