对于电子商务SEO,商店类别页面一直是一个重点。但这可能会改变。

谷歌以产品网格的形式和作为人工智能概述的一部分进行的购物正在迅速增加。这使谷歌购物成为电子商务SEO的焦点。

谷歌购物背后的语义数据库是谷歌购物图,所以是时候考虑购物图优化了。

为什么购物图在生成人工智能时代如此重要?

基于生成人工智能的应用程序将改变许多用户的搜索行为。研究将变得更加互动、个性化、精确和快速。

根据微软的说法,由于人工智能的产生,未来它将会快2.8倍。

这意味着,在未来,用户点击搜索结果的次数会减少,需要的接触点也会大大减少,从而无法找到更多关于产品的信息。

混乱的中间被缩短了,这要归功于混合研究,利用人工生成的答案和经典的搜索。

一个人工智能片段框在搜索生成体验中提供了近26%的与电子商务相关的搜索查询 Se排名研究 .电子商务是受两性平等特别基金影响最大的五个部门之一。

在许多情况下,经典的搜索结果被折叠下面的SGE所取代。谷歌购物图显示了与产品相关的搜索查询的一个重要组成部分。

在电子商务领域,根据A的数据,几乎80%的为SGE排名的来源没有进入搜索查询的前10名搜索结果。 研究 .

<img class="wp-image-440617 entered exited" src="data:;base64,” alt=”在传统搜索中没有排名的两性平等总人数的百分比” width=”840″ height=”689″ data-lazy-srcset=”https://searchengineland.com/wp-content/seloads/2024/05/of-SGE-not-ranking-in-traditional-search.png.webp 840w,https://searchengineland.com/wp-content/seloads/2024/05/of-SGE-not-ranking-in-traditional-search-412×338.png.webp 412w,https://searchengineland.com/wp-content/seloads/2024/05/of-SGE-not-ranking-in-traditional-search-731×600.png.webp 731w,https://searchengineland.com/wp-content/seloads/2024/05/of-SGE-not-ranking-in-traditional-search-138×113.png.webp 138w,https://searchengineland.com/wp-content/seloads/2024/05/of-SGE-not-ranking-in-traditional-search-768×630.png.webp 768w” data-lazy-sizes=”(max-width: 840px) 100vw, 840px” data-lazy-src=”https://searchengineland.com/wp-content/seloads/2024/05/of-SGE-not-ranking-in-traditional-search.png.webp” />

这意味着我们只能用经典的SEO来取得有限的进展。你得从别的地方开始,在我看来那是购物图表。

与谷歌的知识图相对应的购物图

自2012年以来,知识图一直是google的语义数据库,其中记录和理解了世界上关于实体(节点)及其相互关系(边缘)的知识。

作为知识图的对应物,谷歌建立了基于相同原理的购物图,侧重于产品实体。

谷歌的购物图是一个庞大的、以机器学习为动力的数据库,包含数十亿个产品清单,帮助用户找到特定的产品。

• 谷歌的购物图是一个由机器学习为动力的产品和销售商的实时数据库。
• 超过350亿的产品,购物图提供了大量的产品及其细节,如可用性,评论,材料,颜色和尺寸。
• 用户可以使用特定的标准搜索产品,购物图可以在网上搜寻数十亿个列表和相关数据,以找到匹配的选项。
• 购物图通过综合网上各种来源的信息,实现了各种购物功能,如”购物的外观”来寻找造型理念,以及”采购指南”来提供采购建议。
• 购物图表允许用户在谷歌上找到鼓舞人心的产品,并根据当前的购物信息缩小他们的选择范围。

谷歌购物图的数据来源是什么?

为了找到购物图优化的线索,你必须首先考虑你应该在哪里进行优化。要做到这一点,您需要知道购物图中的信息是基于哪些数据源。

谷歌 州 购物图表中的信息来自以下来源:

• 你的视频。
• 制造商网站。
• 在线商店和产品细节页面。
• 谷歌商业中心。
• 谷歌制造商中心。
• 产品测试。
• 产品评论。

这些来源是结构化和非结构化的。结构化信息帮助谷歌将他们的机器学习训练成手动标记数据,目标是 通过自然语言处理更好地理解非结构化内容 . 

谷歌制造商中心是谷歌提供的一个工具,允许制造商将详细的产品信息直接输入谷歌的购物数据库。

这些信息可以显示在各种谷歌服务中,包括谷歌购物和谷歌搜索结果。

制造商中心旨在改进产品显示,提高产品信息的能见度和准确性,这将最终为消费者带来更好的在线购物体验。

---

作为电子商务的购物图

RAG代表的是”补充资源的一代”,是人工智能的一种技术,特别是在自然语言处理中。该模型结合了两个主要组成部分:信息检索和生成语言模型。

GRAG的目标是通过从外部数据源检索额外信息并利用这些信息生成答案来提高语言模型生成的答案的质量和相关性。

如何使用抹布:

• 取回 :首先,对外部数据库进行搜索查询,以查找相关信息。这可以是文本、数据库、图表数据库或任何其他形式的非结构化和结构化数据的集合。
• 增加 *然后将检索到的信息作为上下文输入生成模型,然后生成详细和知情的响应。

谷歌购物图可以成为基于Raga的系统的一个有价值的信息来源,特别是在电子商务和在线购物应用中,如搜索引擎。

以下是在破布系统中购物图的一些可能的作用:

• 改进产品研究 :对于特定产品的查询,破布系统可以从购物图中提取相关信息,以生成更精确、更适合具体情况的响应。例如,它可以整合具体的产品建议、可用性数据或定价信息。
• 个性化建议 S:购物图可以用来根据用户在购物图数据中的具体兴趣和行为生成个性化的购物建议。
• 辅助互动式查询 :在互动式聊天机器人场景中,购物图表可以通过提供额外的产品细节或根据最初的建议提出其他建议来帮助回答后续问题。
• 评级和审查 :还可利用购物图将评级和评论纳入生成的答复,提高建议的质量和效用。

总体而言,购物图可能是优化基于Rag的系统的关键,比如谷歌的AI概述,通过其丰富的结构化的产品信息及其关系。

深入挖掘: 搜索生成经验是如何工作的,为什么我们的未来是检索增加的一代?

未来的产品相关(再)搜索工作如何进行?

大型语言模型 (LLMS)根据发生的共同发生频率学习,或在电子商务的背景下,从与相关产品的共同属性中学习。 

提示和搜索查询中请求的属性的频率决定了哪些属性对产品实体非常重要。

未来的产品研究将更具有互动性和背景性。提示允许给予请求更多层次的上下文。这里是一个与产品相关的提示符的例子。

提示的话题是慢跑鞋或跑步鞋。背景是:

• 年龄 :中年
• 重量 :超重(体重与身高)
• 距离 :中距离
• 尺寸 :中型人
• 频率 *频繁

有了这个提示,不同的人工智能系统给了我们不同的产品推荐:

ChatGPT提出了特定的跑步鞋模型,并将上下文从提示符转换为相应的属性类型:

• 耐久性
• 脚型 
• 步子
• 适合
• 使舒服

谷歌的双子座只建议在第一次尝试时运行鞋类品牌,并将提示转化为以下属性:

• 垫垫
• 支持
• 稳定
• 跑步风格

如果你要求双子座指定鞋子模型,建议以下鞋子模型(带图片)。

• 布鲁克斯幽灵15
• 科纳14
• 卡亚诺29
• 布鲁克斯肾上腺素
• 一、一、一、八
• 索科尼胜利20

两个LLMS的建议相似。塔格-1还建议布鲁克斯幽灵,阿西卡亚诺,霍卡一个邦迪和索科尼胜利。

我的测试表明,情况并非总是如此,产品推荐可能会有所不同。这可能与不同的培训数据有关。

那么,为什么这些产品是LLMS推荐的,而不是其他产品呢?

这些产品似乎经常被提及在翻译到各自LLM的属性附近。

在优化购物图时,如果可能的话,应该提及上述数据源中的相关属性。

在这里,我们使用我们的自定义GTP文本分析通过自然语言处理分析制造商的说明,为ASICS卡亚诺模型系列跑步鞋。

可从制造商文本中提取下列属性:

• 年龄/寿命 当前位置过去27年来,这只鞋一直是美国宇航员协会(ASICS)最高的跑步鞋。
• 流行性 当前位置它被描述为世界上最受欢迎的跑步鞋系列之一。
• 设计目的 :专为长途跑步而设计。
• 技术创新 :接受最新的ASICS技术创新与每种模式。
• 稳定 :设计时考虑到支持和耐久性的稳定性。
• 按性别划分的缓冲 每个性别特有的缓冲功能。
• 使舒服 提供最大的舒适性和弹性,支持性的鞋底,以防止疼痛和摩擦在长跑。
• 改善 :收集工作不断得到改进和加强。
• 响应性 被描述为弹性大、反应灵敏、易于控制。

我检查了这个 电视视频 对于子实体和属性使用Tg-1扩展的哈帕.AI结合双子座。

跑步鞋模型与”舒适”、”训练或竞赛鞋”、”长途”和”特定的上层材料。”

这样,可以审查所有可能的数据来源。与相关产品相关的属性越类似于提示符中指定的上下文和来自LLM的属性,生成性AI的响应中提及产品的可能性就越大。

电子商务品牌能从中学到什么?

由于人工智能综述、ChatGPT和副驾驶员等生成性人工智能带来的研究行为的变化,迄今为止电子商务SEO的工作方式将得到发展。

商店类别页面将吸引越来越少的有机流量和用户将越来越多地引入到产品生成人工智能或LLMS。这种转变的程度尚不清楚。

然而,作为SEO,我们应该为这种信息搜索的混合方法做好准备,并在电子商务中使用大型语言模型优化,以避免失去能见度。

其语义核心是作为产品实体数据库的购物图。购物图是一个语义的、基于机器学习的数据库,它包含广泛的产品信息,是通过特定的搜索标准将用户与产品连接起来的核心。

购物图的最佳选择来自各种数据来源,如YouTube视频、制造商网站和在线商店或产品细节页面和购物提要的设计。

电子商务SEO未来的关键措施

• 以购物图优化为重点 :搜索引擎优化战略应侧重于谷歌购物图中的优化,因为它变得越来越重要,特别是通过它与AI概述的集成。
• 适应生成性人工智能 :由于生成性人工智能通过使研究速度更快、互动性更强而改变了搜索行为,所以电子商务SEO的工作重点应该是出现在购物图数据源中,并强调相关属性。
• 考虑新的搜索行为 :随着人工智能工具的增加,经典的搜索结果被点击的次数越来越少。SEO和营销策略必须适应需要较少的接触点来达到和说服用户。
• 根据数据来源进行优化 :有效的购物图优化战略应侧重于改善采购图主要数据源中产品的上下文和相关性,如YouTube、制造商网站和产品评论。
• 识别和理解用户和产品相关属性 :搜索查询和提示的长期分析变得越来越重要。
• 完善实体知识和语义搜索: 对基于实体的信息检索系统的语义理解和对LLMS的技术理解将是未来SEO的基础之一。 
• 超越关键词: SEOS必须从概念、实体、属性和关系的角度来思考。关键词作为中心焦点的时间即将结束。