시맨틱 검색: 시맨틱 검색을 이해하고 최적화하기 위한 종합 가이드

시맨틱 검색 및 잠재 시맨틱 인덱싱(LSI)이란?

LSI(Latent Semantic Indexing)는 검색 엔진이 귀하의 콘텐츠가 정말 주제와 깊이가 있는지 아니면 스팸인지 판단하는 방법입니다. 검색 엔진은 기사의 단어를 보고 서로 얼마나 관련이 있는지 결정하여 이를 결정합니다. 예를 들어, 컴퓨터에 관한 기사의 경우 검색 엔진은 다음 단어가 "컴퓨터"와 밀접하게 관련되어 있다는 것을 알고 있으며 아마도 컴퓨터에 관한 좋은 기사에 나타날 것입니다: 하드 드라이브, cpu, RAM, 모니터, 마더보드, ghz, mhz, Intel, Nvidia 등… LSI 용어로 알려져 있습니다.

검색 엔진이 귀하의 기사를 찾으면 다음과 같은 일이 발생합니다.

1. 기사를 읽는다

2. 기사 내 각 단어 또는 구의 "키워드 밀도"를 결정합니다. 즉, 기사의 전체 단어 수를 보고 특정 단어나 구가 기사에서 몇 번이나 반복되는지 찾습니다. 더 자주 반복되는 단어와 구는 키워드 밀도가 더 높습니다. 이것은 검색 엔진이 귀하의 기사가 무엇에 관한 것인지 아는 방법입니다. 따라서 "데스크톱 PC 케이스"에 대한 기사의 경우 해당 문구는 700단어 기사에서 4번 나타날 수 있습니다. 그것은 약 1.7%의 밀도를 줄 것입니다. (12/700 = 1.7%).

"데스크톱 PC 케이스"가 3단어로 구성되어 있으므로 12를 사용합니다. 따라서 3단어 X 4회 출현 = 12입니다. 제목, 첫 번째 단락, 마지막 단락에 키워드를 포함하면 검색 엔진이 기사의 내용을 파악하는 데 도움이 됩니다. 검색 엔진이 기사의 이러한 영역에 추가 강조를 가하는 것으로 알고 있기 때문에 기사의 단락.

3. 키워드 밀도가 가장 높은 단어와 구문을 선택하고 이를 사용하여 기사의 내용을 결정합니다(본질적으로 기사에는 "관련성 점수"가 할당됨). 따라서 "데스크톱 PC 케이스" 예의 경우 "데스크탑 PC 케이스"의 높은 키워드 밀도를 찾으면 ATX, 냉각, 전원 공급 장치, 마더보드, 게이밍 케이스, 커스텀 케이스 등…

검색 엔진은 주어진 키워드에 대해 예상되는 관련 용어를 알고 있습니다. 그들은 꽤 똑똑해졌습니다. 따라서 기사에서 특정 관련 키워드를 볼 것으로 예상했지만 해당 키워드를 찾지 못한 경우 더 낮은 관련성 점수를 할당합니다. 이것은 누군가가 대상 키워드를 검색할 때 해당 기사가 검색 엔진에서 순위를 매길 위치에 직접적인 영향을 미칩니다.

LSI는 SEO(검색 엔진 최적화)의 핵심 개념입니다. 검색 엔진 알고리즘은 항상 개선되고 있으며, 현재 LSI 용어와 기사의 주요 키워드의 균형이 잘 맞는 콘텐츠를 보상하고 있습니다. 따라서 작성한 콘텐츠를 사용하여 웹사이트를 구축하고 해당 웹사이트를 SEO에 최적화하고 웹사이트로 유입되는 트래픽을 수익화하는 것이 계획이라면 기사에 LSI 용어를 적절히 조합하는 것이 중요합니다. 그래서 저는 기사를 읽을 때 두 가지 다른 관점에서 기사를 읽습니다.

1. 휴먼(잘 읽히나요?)

2. SEO 전문가/검색엔진 스파이더 (키워드 밀도가 좋은가요? LSI 용어가 많이 있습니까?)

따라서 향후 기사 마케팅 활동을 위해 LSI 용어를 통합하십시오. 당신이 쓰고 있는 틈새 시장에 고유한 용어가 무엇인지 생각해 보십시오. 종종 이러한 용어는 글을 쓸 때 유기적으로 나타납니다. 그러나 최상의 결과를 얻으려면 검색 엔진 스파이더가 콘텐츠를 읽는 방법을 알고 있어야 합니다.

이 블로그 게시물을 예로 들어 보겠습니다. 이 게시물의 주요 주제는 LSI(Latent Semantic Indexing)이지만 이 게시물에 LSI 용어를 많이 뿌렸습니다.

• 검색 엔진 최적화
• 콘텐츠
• 관련있는
• 예어
• 키워드 밀도
• 검색 엔진
• 검색 엔진 최적화
• 웹사이트
• 기사 마케팅
• 계급
• 수익을 창출하다

이 모든 용어는 LSI 및 검색 엔진이 이 게시물을 크롤링할 때 검색 엔진이 인식하는 더 넓은 범주의 SEO와 관련이 있습니다. 그리고 결과는? 이 블로그 게시물에는 해당 카테고리에 대해 더 높은 관련성 점수가 할당됩니다. 이는 검색 엔진 결과 페이지(SERP)에서 더 높은 순위를 차지할 것임을 의미합니다. 간단합니다.

이제 오해하지 마십시오. LSI는 SERP에서 콘텐츠 순위를 결정하는 유일한 요소가 아닙니다. 사실, 그것은 수천은 아니더라도 수백 가지 요인 중 하나일 뿐입니다. 즉, 검색 엔진 알고리즘에서 중요성이 커지고 있으므로 SEO에 최적화된 콘텐츠를 작성할 때 생각해 볼 가치가 있습니다.

검색 동향은 밀접하게 상호 작용하는 여러 기술에 따라 달라지며, 특히 전반적으로 변화 속도가 빨라짐에 따라 경쟁 우위를 유지하려면 기술이 어떻게 변화하고 있는지 알아야 합니다. 모바일 장치와 보다 정교한 형태의 지역 검색을 가능하게 하는 장치 기술, 더 많은 회사에서 보다 창의적인 웹 사이트를 만들 수 있게 하는 웹 기술, 검색을 더 빠르고 쉽게, 더 많이 만들 수 있는 원시 검색 기술이 있습니다. 사용자와 관련이 있습니다(다른 기술 클래스 중에서).

검색 기술 중에서 가장 흥미롭고 가장 빠르게 변화하는 것 중 하나는 의미론적 검색입니다. 검색 엔진이 사용자 쿼리의 자연어를 인식하고 해석할 수 있는 기능입니다. 시맨틱 검색은 놀라운 방식으로 진화하고 있으며, 이에 적응하기 시작하면 빠를수록 좋습니다.

벌새 (2013)

2000년대 초반만 해도 '의미 검색'이라는 것이 없었고, 자연어 인식은 AI에게 먼 꿈처럼 여겨졌다. 키워드 기반 매핑 시스템을 사용하여 작동하는 검색 엔진 그들은 귀하의 쿼리에서 특정 키워드와 키워드 구문을 식별한 다음 해당 용어가 가장 자주 사용된 웹상의 장소 목록을 생성합니다. 수년에 걸쳐 이 프로세스는 부자연스럽게 키워드가 채워진 페이지를 제거하고 더 복잡한 구문을 매핑하여 더욱 정교해졌지만 기본적으로는 같은 방식으로 작동했습니다.

Google의 Hummingbird 업데이트는 2013년에 나왔을 때 판도를 바꿨습니다. Hummingbird는 검색어에 대해 가장 관련성이 높은 결과를 찾기 위해 키워드를 사용하는 대신 구문을 기반으로 사용자 검색어의 의도를 해석하고 거기에서 관련 항목을 찾을 수 있었습니다. 그 출현은 검색 최적화 프로그램의 키워드 기반 전략에서 크게 벗어나 콘텐츠 마케터가 사용자의 질문, 우려 및 관심에 더 열심히 답하도록 하는 것입니다.

랭크브레인 (2015)

작년 말 Google은 RankBrain이라는 새로운 기계 학습 알고리즘을 Hummingbird에 출시했습니다. 알고리즘의 목표는 사람들이 말하는 방식 (검색 엔진에 쿼리를 입력 하는 방식)에 대해 점진적으로 학습하여 Hummingbird의 의미 검색 기능을 개선하는 것 입니다. 시맨틱 검색은 이미 꽤 인상적이지만 사용자의 쿼리가 특히 장황하거나 복잡하거나 모호할 때 어려움을 겪습니다. RankBrain은 이전 경험에서 학습하여 본질적으로 자체 업데이트하고 결국에는 복잡하고 해독할 수 없는 쿼리를 보다 관리 가능한 청크로 분해할 수 있게 됩니다. 이는 엔지니어와 수동 업데이트 사이에 시간적, 물류적 벽이 없다면 이 자동화된 알고리즘은 그 어느 때보다 빠르게 발전할 수 있을 것입니다. 이는 끝없는 개선 단계에 대한 Google의 약속의 표시입니다.

풍부한 답변(진행 중)

표준 검색 결과보다 두드러진 SERP의 간결한 항목에 주어진 용어인 "풍부한 답변"이 급증하는 것을 분명히 눈치채셨을 것입니다. 이미지, 문장, 단락, 숫자 또는 귀하의 쿼리를 즉각적이고 간결하게 해결할 수 있는 기타 유형의 답변을 사용할 수 있습니다(별도의 페이지로 클릭할 필요 없이). 다음과 같은 세 가지 이유로 유병률이 증가하고 있습니다.

• Google의 지식 정보는 더 많은 주제에 대한 더 많은 정보로 지속적으로 확장되고 있습니다.
• Hummingbird와 RankBrain은 사용자 쿼리를 이해하는 데 점점 더 좋아지고 있습니다.
• Google은 가능한 한 짧고 즉각적인 답변을 제공하고자 합니다.

이것은 질문에 답하기 위해 외부 웹 페이지에 대한 의존도를 줄이기 때문에 의미론적 검색 분석 증가의 가장 중요한 효과 중 하나입니다. 이것이 결국 모든 웹사이트에 대한 검색 트래픽을 억제할 것이라고 주장되어 왔지만, 우리가 도달하면 그 다리를 건너게 될 것입니다.

관련 질문(진행 중)

특히 지난 몇 개월 동안 관련 질문이 증가하고 있습니다. 검색 결과의 중간쯤에 이러한 팝업이 표시되어 원래 쿼리와 관련하여 유사하거나 자주 묻는 질문을 조사하라는 메시지가 표시될 수 있습니다. 그러나 이러한 질문에 대한 답변이 풍부한 답변과 다른 경우가 많으며, 이는 별도의 알고리즘이 해당 질문을 생성하는 책임이 있음을 의미합니다. 이 모든 것이 어떻게 연결되는지는 확실하지 않지만 Google은 기본적인 의미론적 이해 외에도 쿼리 패턴 인식에 대한 장기 계획을 가지고 있습니다.

주의해야 할 개발 사항

SEO 관점을 염두에 두고 이 기사를 읽었다면 이 모든 것이 당신에게 어떤 영향을 미치는지 궁금할 것입니다. 예, Google의 의미론적 검색 기능의 내부 역학과 역사를 배우는 것은 흥미롭지만 어떤 실용적인 정보를 가지고 지나갈 수 있습니까?

먼저 음성 검색, 의미론적 이해, 풍부한 답변 및 관련 질문과 같은 Google이 개발 중인 주요 영역(더 많은 수동 업데이트 또는 새로운 기계 학습 알고리즘을 통해)을 이해합니다. Google의 주요 관심사는 정확하고 관련성 높은 정보를 가능한 한 빠르고 쉽게 검색자들에게 제공하는 것입니다.

따라서 귀하의 목표는 Google이 작업을 완료하도록 돕는 것이어야 합니다. 업계에서 일반적인 질문을 조사하고 답을 작성하는 데 더 많은 시간을 할애하십시오. Google이 답을 찾기 위해 스캔할 수 있도록 복잡한 틈새 주제를 탐색하고 사이트를 마이크로포맷하세요. 권위자로 알려지고 사용자가 원하는 정보를 제공하면 더 많은 가시성의 형태로 보상을 받게 됩니다. 그것만큼 간단합니다.

키워드 대신 시맨틱 검색에 최적화하는 방법

시맨틱 검색은 대신 사용자 쿼리의 의도를 분석하려고 시도 하므로 위의 예에서 쿼리에 포함된 키워드를 매핑하는 대신 전체 구문을 검사하고 이 사용자가 가장 높은 평가를 받은 치과 의사를 찾으려고 결정합니다. 브리스톨 시. 그런 다음 사이트 및 오프사이트 지표의 컨텍스트 단서를 사용하여 Bristol에서 운영하는 치과 의사와 그 중 최고를 평가합니다.

이를 알면 사이트가 올바르게 평가되고 나열되는 데 필요한 의미 있는 변경을 시작할 수 있습니다.

페이지 제목 조정

첫 번째 단계는 페이지 제목(및 메타 설명)을 조정하는 것입니다. 귀하의 비즈니스와 관련된 단어와 사람들이 검색에 포함할 수 있는 단어를 사용하는 것이 여전히 좋은 생각이지만 고려해야 할 몇 가지 요소가 더 있습니다.

첫째, 당신의 표현이 투박하지 않고 자연스러운지 확인하십시오. 키워드 중심 최적화를 사용하면 일반 사람이 쓸 수 있는 문장처럼 들리지 않는 "Bristol TN의 치과의사 구강외과의사"와 같은 제목을 쓸 수 있습니다. 완전하고 간결한 문구로 작성하고 페이지를 가능한 한 정확하게 설명하십시오. 당신이 누구이고 무엇을 하는지에 대한 강력한 표시가 있는 한 당신은 좋은 상태가 될 것입니다.

둘째, 반복에 주의하라. 키워드 중심 최적화를 사용하면 사이트 전체에서 여러 제목과 설명에 특정 문구를 반복할 수 있습니다. 시맨틱 검색에서 이것은 실제로 당신에게 불리할 수 있습니다. 경쟁 우위를 제공할 수 있지만 페이지를 최대한 다양하게 유지하는 몇 가지 문구를 자유롭게 타겟팅하십시오.

올바른 주제 선택

지속적인 콘텐츠는 의미 검색을 최적화할 수 있는 가장 좋은 기회입니다. 종종 사람들은 구글에 전체 질문이나 롱테일 콰이어를 입력할 것이고, 그런 다음 검색어에 가장 많은 공통 키워드가 있는 콘텐츠가 아니라 사용자의 질문에 충분히 답변하는 콘텐츠를 찾는 것이 Google의 일이 됩니다. 따라서 콘텐츠는 최대한 많은 잠재적 사용자 쿼리에 간결하고 설명적으로 답변하는 데 중점을 두어야 합니다.

"How-to", "why" 및 "what" 기사는 이를 위한 놀라운 도구입니다. 기존 고객 기반을 파악하고 고객이 귀하와 같은 비즈니스를 처음 검색할 때 어떤 일반적인 질문을 했는지 알아보세요. 해당 질문에 직접 답변하는 게시물(설명적이고 뾰족한 제목 포함)을 작성하면 해당 쿼리가 발생할 때 순위를 매기는 데 어려움이 거의 없을 것입니다. 여기에서 틈새 시장이 더 구체적일수록 좋습니다.

올바른 목소리로 쓰기

현장 콘텐츠 및 지속적인 기사 작성과 관련하여 접근 방식에서 변경해야 할 사항은 많지 않습니다. 그러나 통합해야 할 두 가지 고려 사항이 있습니다. 첫째, 기사에 키워드를 넣을 필요가 없다는 것을 스스로에게 상기시키십시오. 간결하고 설명적인 것에 노력을 집중하면 나머지는 자연스럽게 이루어져야 합니다. 둘째, 대부분의 시맨틱 쿼리는 길고 대화형이므로 그에 따라 콘텐츠를 좀 더 대화형으로 만드십시오. 대화적이고 캐주얼한 어조는 독자에게 더 쉽게 다가갈 수 있으므로 잠재적인 가시성을 극대화할 뿐만 아니라 유지율도 높일 수 있습니다.

RankBrain 요인

마지막으로 RankBrain을 언급하고 싶습니다. RankBrain은 Hummingbird에 대한 Google의 새로운 AI 추가 기능으로, Google의 알고리즘을 자동으로 정기적으로 업데이트하여 쿼리의 의미론적 이해를 향상시키도록 설계되었습니다. 간단히 말해서, 그 역할은 복잡하고 모호한 쿼리 유형을 파악하고 더 간단하고 자연스러운 버전으로 매핑하는 것입니다. 따라서 콘텐츠 전략은 더 간단하고 자연스러운 쿼리 버전에 초점을 맞춰야 합니다. 복잡한 문구로 드문 틈새 청중을 대상으로 하지 말고 가능한 한 자연스럽고 간결하게 목소리를 유지하십시오.

시맨틱 검색의 미래

Google은 이미 상당히 인상적입니다. 기본 Hummingbird 업데이트를 사용하더라도 주어진 검색 구문 뒤에 숨은 의미를 합리적으로 추측할 수 있습니다. 그러나 시맨틱 검색의 미래 는 현재 알고리즘 기술의 한계를 훨씬 넘어 확장 될 것 입니다.

이미 Google은 사용자의 개인 데이터를 기반으로 다양한 외부 요소를 검색 결과에 통합하기 시작했습니다. 이런 일이 일어나고 있다는 사실에 소름이 돋을 수도 있지만 훨씬 더 관련성 높은 결과를 제공하기도 합니다. Google은 사용자가 어디에 살고 있는지 정확히 알고 있으며 이전 검색 기록을 사용하여 예측 검색 결과를 맞춤설정할 수 있습니다.

이러한 요소를 취하여 의미론적 검색을 기반으로 하는 환경에 통합하면 사용자가 검색하기 전에 이전 행동을 기반으로 사용자의 의도를 추측할 수 있는 검색 엔진이 생깁니다. 개인, 시간, 소셜 미디어 활동, 심지어 최근 뉴스까지 기반으로 한 행동 패턴을 분석하고 해석하기 위해 빅 데이터를 사용함으로써 Google은 검색 세계를 이전에는 공상 과학 소설에 국한되었던 방향으로 이끌 수 있습니다. 우리는 당신이 생각하는 것을 정확하게 추측할 수 있는 기계를 만드는 데 10년 이상 걸릴 것 같지만, Google을 알고 있다면 우리는 당신이 생각하는 것보다 이미 가깝습니다.

콘텐츠 마케팅 전략을 조정하는 방법

어떤 면에서는 콘텐츠 마케팅 전략이 변경되어서는 안 됩니다. 현재, 주제 중심의 콘텐츠 전략은 성과를 거두는 경향이 있습니다. 주어진 주제에 대해 글을 쓰는 것은 자연스럽게 그 주제와 관련된 키워드를 검색하는 사람들의 관심을 끌 것입니다. 사람들이 찾고 있는 것을 제공하는 것이 중요하며 그 기본 원칙은 확고합니다.

그러나 도래할 시맨틱 검색의 혁명에 적응하기 위해서는 한 단계 더 나아가야 합니다. 사람들이 특정 주제를 검색하는 이유 뒤에 숨은 의미를 이해해야 합니다. 설문 조사, 연구 및 빅 데이터 분석을 통해 인구 통계를 더 잘 이해할 필요가 있다고 말하는 멋진 방법입니다. 고객이 특정 주제를 검색하도록 동기를 부여하는 요인을 정확히 이해하고 이러한 주변 동기 요인을 포괄하도록 콘텐츠 전략을 확장하십시오.

그렇게 하면 검색 엔진보다 앞서게 될 것입니다. Google은 고객에게 동기를 부여하는 것이 무엇인지 이해하려고 시도하지만 이미 알고 있을 것입니다. 관련성, 고유성 및 품질을 제공할 수 있다면 Google은 높은 순위로 보상할 것입니다.

결론

시맨틱 검색은 곧 사라지지 않을 것이며 경쟁업체는 이미 자체 방식으로 시맨틱 검색을 정복할 계획을 세우고 있을 수 있습니다. 웹사이트를 감사하고 올해와 그 이후에 전략을 분석하고 구체화할 때 이 점을 염두에 두십시오. SEO의 성공은 작동하는 것을 찾아 영원히 고수하는 것이 아닙니다. 새로운 트렌드가 등장할 때 이를 수용하기 위해 접근 방식을 지속적으로 개선하는 것입니다.