Vektoros keresés
A hasonlat, ami megvilágítja
Képzeld el, hogy minden szöveghez hozzárendelünk egy koordinátát egy térképen. A „kutya" és a „macska" közel kerül egymáshoz, mert mindkettő háziállat; a „kutya" és a „hitelkamat" nagyon messze. A keresés ezután nem szövegkeresés, hanem egy egyszerű kérdés: mi van a legközelebb ahhoz a ponthoz, ahová a kérdés esett?
A valóságban ez a „térkép" nem kétdimenziós, hanem több száz vagy több ezer dimenziós, és a koordinátákat embedding-modell számolja ki. A lényeg viszont ugyanaz: a jelentés távolsággá válik, a távolság pedig mérhető.
Miért fontos ez a marketingnek?
Két helyen találkozol vele közvetlenül, akkor is, ha soha nem építesz ilyen rendszert:
- Az AI-asszisztensek így találják meg a forrásaidat. Amikor egy asszisztens friss információt keres a válaszhoz, jellemzően vektoros kereséssel válogatja ki a releváns szövegrészeket. Ha a tartalmad jelentése tiszta és egy témára fókuszál, közelebb kerül a releváns kérdésekhez.
- A saját rendszereidben is hasznos. Webshop-kereső, ügyfélszolgálati chatbot, belső tudástár — mindegyik jóval használhatóbb vektoros kereséssel, mert elviseli az elgépelést és a körülírást.
Hol téved a vektoros keresés?
Érdemes ismerni a korlátait, mert ezekbe a hibákba a gyakorlatban bele lehet futni:
| Gyengeség | Mit jelent | Mi a kezelése |
|---|---|---|
| Pontos adatok | A cikkszámra, dátumra, konkrét árra gyenge | Klasszikus szövegkereséssel kombinálva |
| Ellentétek | A „megéri" és a „nem éri meg" jelentése közel esik | Egyértelmű, kifejtett megfogalmazás |
| Frissesség | A vektor nem tud a dátumról | Külön szűrés időbélyeg szerint |
| Hosszú szöveg | Egy vektorba sűrítve elmosódik a jelentés | Rövidebb, önálló szakaszokra bontás |
Ebből egy gyakorlati SEO-tanulság következik
A negyedik sor a legfontosabb neked: a hosszú, csapongó szövegből készült vektor elmosódik, ezért nehezebben talál rá bármelyik kérdés. Az a cikk, amelyben minden szakasz egy jól körülhatárolt kérdésre válaszol, jóval pontosabb vektorokat ad — vagyis több kérdéshez kerül elég közel ahhoz, hogy idézzék. Ez ugyanaz a szerkezeti fegyelem, amit az GEO is megkövetel.
Hogyan néz ki ez a gyakorlatban?
Egy 2 000 szavas cikket a rendszerek jellemzően nem egyetlen vektorba sűrítenek, hanem szakaszokra bontják, és minden szakaszhoz külön vektort számolnak. Ezért nem a cikk egésze verseng a kérdésekkel, hanem szakaszonként.
Ennek két gyakorlati következménye van. Egyrészt egy jó cikk sok kérdésre pályázhat egyszerre, ha a szakaszai tiszták. Másrészt egyetlen szakasz akkor is idézhetővé válik, ha a cikk többi része nem kapcsolódik szorosan a kérdéshez — vagyis az „egy szakasz, egy gondolat" szerkesztés közvetlenül növeli az esélyeidet.
Ebből következik a legpraktikusabb tanács: a szakaszcímeid legyenek konkrétak. A „Tudnivalók" cím alatti szöveg vektora elmosódott, mert a szakasz maga is többféle dologról szól. A „Mennyibe kerül a kezelés?" cím alatti szakasz viszont egyetlen, jól körülhatárolt jelentéssel bír.
Vektoros vagy klasszikus keresés — melyik kell?
A gyakorlatban a kettő kombinációja a legjobb, és ezt hívják hibrid keresésnek. A klasszikus szövegkeresés pontosan találja a cikkszámot, a termékkódot, a konkrét nevet; a vektoros keresés viszont akkor is megért, ha valaki körülírja, amit keres.
Egy webshop-keresőnél ez kézzelfogható különbség: a „vízálló túracipő 43-as" kérésre a klasszikus kereső a méretet találja meg pontosan, a vektoros pedig azt érti meg, hogy a „vízálló" itt a membrános cipőket jelenti, akkor is, ha a terméklapon nem ez a szó szerepel. Külön-külön mindkettő hagy réseket, együtt viszont lefedik egymást.