چطور خوشه‌بندی کلمات کلیدی سئو بر اساس نیت جست‌وجو را با پایتون خودکار کنیم

راهنمایی عملی برای گروه‌بندی سریع‌تر و دقیق‌تر کلمات کلیدی با استفاده از مقایسه SERP و زبان پایتون

نیت جست‌وجو (Search Intent) موضوعی پیچیده است. از استفاده از یادگیری عمیق برای طبقه‌بندی متون گرفته تا تجزیه‌وتحلیل عنوان‌های نتایج گوگل با NLP، و خوشه‌بندی بر اساس ارتباط معنایی — همگی روش‌هایی هستند که مزایای آن‌ها نیز روشن است.

ما هم می‌دانیم درک نیت جست‌وجو چه مزایایی دارد، و هم ابزارهایی در اختیار داریم که این کار را در مقیاس بالا و به‌شکل خودکار انجام دهند.

اما چرا یک مقالهٔ دیگر دربارهٔ خودکارسازی نیت جست‌وجو لازم است؟

زیرا با ورود فناوری جست‌وجوی مبتنی بر هوش مصنوعی، درک نیت جست‌وجو اهمیت بسیار بیشتری یافته است.

در دوران “۱۰ لینک آبی” شاید امکان نمایش گزینه‌های بیشتر وجود داشت. اما موتورهای جست‌وجوی هوش مصنوعی به دلیل بهینه‌سازی هزینه‌های پردازشی (FLOP)، تمایل دارند فقط نتایج دقیق و مناسب را نمایش دهند.

چرا هنوز SERP بهترین شاخص برای نیت جست‌وجو است؟

در اکثر روش‌ها شما باید خودتان مدل AI بسازید: یعنی عنوان‌های صفحات نتایج را استخراج کرده، آن‌ها را به مدل شبکه عصبی بدهید و آموزش دهید. یا با NLP خوشه‌بندی انجام دهید.

اما اگر زمان یا دانش ساخت این مدل‌ها را نداشته باشید چه؟

بسیاری به شباهت کسینوسی (Cosine Similarity) به‌عنوان روش خوشه‌بندی کلمات کلیدی تکیه می‌کنند، اما به نظر من، مقایسه نتایج SERP برای کلمات مختلف همچنان روش برتری است.

چرا؟ چون مدل‌های AI نیز رفتارشان را بر پایه SERP طراحی می‌کنند — یعنی دقیقاً آن‌چه کاربر می‌بیند.

و حالا راهی وجود دارد که از خود گوگل برای انجام این کار استفاده کنیم، بدون اینکه نیاز به استخراج محتوا یا ساخت مدل هوش مصنوعی باشد.

فرض کنیم ترتیب نمایش URLها در نتایج گوگل، احتمال رضایت کاربران از هر نتیجه را نشان می‌دهد. در این صورت اگر نیت جست‌وجو برای دو کلمه یکی باشد، SERP آن‌ها هم باید شبیه باشد.

این ایده جدید نیست — سئوکاران حرفه‌ای سال‌هاست برای شناسایی نیت جست‌وجو از مقایسه SERP استفاده می‌کنند.

نوآوری این مقاله در خودکارسازی و مقیاس‌پذیری این مقایسه‌هاست: سرعت بیشتر، دقت بالاتر.

آموزش گام‌به‌گام خوشه‌بندی کلمات کلیدی بر اساس نیت جست‌وجو با پایتون

مرحله ۱: وارد کردن فایل SERP به پایتون

import pandas as pd
import numpy as np

serps_input = pd.read_csv(‘data/sej_serps_input.csv’)
del serps_input[‘Unnamed: 0’]

مرحله ۲: فیلتر نتایج صفحه اول گوگل

serps_grpby_keyword = serps_input.groupby(“keyword”)
k_urls = 15

def filter_k_urls(group_df):
return group_df[(group_df[‘url’].notnull()) & (group_df[‘rank’] <= k_urls)]

filtered_serps = serps_grpby_keyword.apply(filter_k_urls)
filtered_serps_df = filtered_serps.reset_index(drop=True)

مرحله ۳: فشرده‌سازی URLهای هر کلمه در یک رشته

filtserps_grpby_keyword = filtered_serps_df.groupby(“keyword”)

def string_serps(df):
df[‘serp_string’] = ”.join(df[‘url’])
return df

strung_serps = filtserps_grpby_keyword.apply(string_serps)
strung_serps = strung_serps[[‘keyword’, ‘serp_string’]].drop_duplicates()

مرحله ۴: ساخت ترکیب‌های دوتایی برای مقایسه SERP

def serps_align(k, df):
…

matched_serps = pd.DataFrame(columns=[‘keyword’, ‘serp_string’, ‘keyword_b’, ‘serp_string_b’])
for q in strung_serps.keyword.to_list():
temp_df = serps_align(q, strung_serps)
matched_serps = matched_serps.append(temp_df)

مرحله ۵: تعریف تابع شباهت SERP

def serps_similarity(serps_str1, serps_str2, k=15):
…
return intent_dist

matched_serps[‘si_simi’] = matched_serps.apply(lambda x: serps_similarity(x.serp_string, x.serp_string_b), axis=1)

خوشه‌بندی کلمات کلیدی بر اساس نیت

• آستانهٔ شباهت در اینجا ۰.۴ در نظر گرفته شده است.

• با بررسی تشابه‌ها، کلمات به گروه‌های موضوعی تخصیص داده می‌شوند.

• خروجی نهایی: دیتافریمی با گروه‌بندی کلمات بر اساس نیت جست‌وجو

topic_groups_dictdf = pd.DataFrame(topic_groups_lst, columns=[‘topic_group_no’, ‘keyword’])

کاربردهای عملی

• بهبود معماری سایت

• ساخت خوشه‌های محتوایی هدفمند

• طراحی کمپین‌های تبلیغاتی بر اساس intent

• ایجاد ساختار داشبوردهای سئو دقیق‌تر

• یکپارچه‌سازی URLهای بی‌کاربرد در سایت فروشگاهی

جمع‌بندی

این روش، راهی دقیق، سریع و مقیاس‌پذیر برای خوشه‌بندی کلمات کلیدی بر اساس نیت جست‌وجو است. بدون نیاز به مدل‌سازی پیچیده یا هزینه API، می‌توانید با پایتون و داده‌های SERP به نتایجی مشابه ابزارهای حرفه‌ای برسید.