LSI – Het gebruik van semantiek in zoekmachines

Ruwweg zijn er drie factoren die een rol spelen binnen SEO: techniek, link building en content. Hoewel op alle drie de gebieden veel in beweging is, lijkt content mij hetgeen de toekomst gaat bepalen. Google is op zoek naar goede content, maar hoe bepaalt Google wat goed is? De laatste jaren zien we Google steeds meer gebruik maken van semantiek. In dit artikel leggen we uit wat semantiek is en hoe je dit kan gebruiken om betere teksten te schrijven.

Volledige informatie

Als iemand op Google een query doet op ‘Ferrari Enzo’ heeft Google zo de documenten te pakken die hierover gaan. Maar hoe sorteert Google al deze documenten? Stel dat er slechts twee webpagina’s naar voren komen met beiden slechts één zin als content:

1. De Ferrari Enzo is een Italiaanse sportauto uit 2002
2. De Ferrari Enzo is mooi maar heeft geen trekhaak

Beide zinnen hebben even veel woorden, maar het zal duidelijk zijn dat de eerste zin meer informatie biedt. De eerste zin meldt het bouwjaar van de auto, het land van herkomst en het type auto. De tweede zin biedt slechts twee details waarvan de eerste subjectief en de tweede niet relevant is. Vanwege de grotere volledigheid zal Google het eerste resultaat bovenaan willen tonen. Maar terwijl wij als mensen meteen zien dat het eerste resultaat vollediger is, moet Google dit algoritmisch zien te bepalen. Hoe doet Google dit?

Semantiek

En hier komt semantiek om de hoek kijken. Semantiek is de studie binnen de taalwetenschappen die de betekenis van woorden omschrijft. Dit is het gebied van de taalkundigen. Google is echter geen taalkundige en heeft niks anders dan wiskunde en statistiek. En laten wiskunde en statistiek enerzijds en taal anderzijds nu juist precies tegenover elkaar staan! Google moet dus een manier vinden om via algoritmes woorden te ‘vertalen’. De beste manier om dat te doen is om relaties te leggen tussen verschillende woorden.

Als veel teksten die schrijven over een auto spreken over een trekhaak, zal Google al snel begrijpen dat een trekhaak iets te maken heeft met een auto. Dat de trekhaak aan de achterkant van een auto zit en bedoeld is om andere voertuigen te trekken begrijpt Google echter niet. Wel kan Google een relatie leggen tussen een trekhaak en een aanhanger of een caravan, omdat ook deze woorden vaak op een pagina voorkomen. Dit is Googles simplistische vertaling van het begrijpen van taal.

Patronen herkennen – Synoniemen

Als je maar genoeg data hebt (en daar heeft Google niet over te klagen), kun je met deze woordrelaties veel doen. Zo zal Google zien dat er twee groepen woorden veel in combinatie met elkaar voorkomen:

• Trekhaak, auto, caravan en aanhanger
• Trekhaak, auto, caravan en aanhangwagen

Doordat de woorden ‘aanhanger’ en ‘ aanhangwagen’ in dezelfde relatie staan, is de kans groot dat deze woorden synoniemen van elkaar zijn. Daarnaast zal Google ook gebruik maken van synoniemenwoordenboeken om dit te bevestigen. Op het moment dat Google ‘aanhanger’ en ‘aanhangwagen’ synoniemen van elkaar zijn, kan dit gebruikers van Google helpen. Iemand die zoekt op ‘aanhanger’, zal ook het woord ‘aanhangwagen’ vetgedrukt terug zien komen.

Patronen herkennen ? Completere informatie

Op het moment dat Google een relatie tussen trekhaak, auto, caravan en aanhanger heeft gevonden, kan Google deze twee zinnen met elkaar vergelijken:

1. Met de trekhaak van je auto kun je een caravan of aanhanger trekken
2. Met een auto kun je een caravan of aanhanger trekken

Uiteraard is de eerste zin langer, maar dat is niet wat deze zin completer maakt. Wat completer is, is dat er meer details worden gegeven. Het woord trekhaak wordt namelijk genoemd en dat is precies het woord wat Google eerder heeft geassocieerd met auto, caravan en aanhanger. Om dit te kunnen doen wil Google dus relaties tussen allerlei woorden leggen.

Laten we dit heel simpel uitleggen. Stel er staan 100 pagina’s in de database van Google die gaan over ‘auto’. Er worden ook andere woorden op deze pagina’s gebruikt:

• 30% van de pagina’s gebruikt het woord trekhaak
• 20% van de pagina’s gebruikt het woord caravan
• 10% van de pagina’s gebruikt het woord aanhanger

Dit betekent dat ‘trekhaak’ blijkbaar meer gerelateerd is aan ‘auto’ dan ‘aanhanger’ aan ‘auto’. Anders gezegd: het woord ‘trekhaak’ voegt meer informatie toe aan een pagina over een auto dan het woord ‘aanhanger’. Vergelijk nu weer deze twee zinnen:

1. Met de trekhaak van je auto kun je een caravan trekken
2. Met een auto kun je een caravan of aanhanger trekken

Beide zinnen over een auto gebruiken het woord ‘caravan’. Zin 1 gebruikt echter het woord ‘trekhaak’, terwijl zin 2 het woord ‘aanhanger’ gebruikt. We hebben net gezegd dat een trekhaak meer toevoegt aan het onderwerp auto dan aanhanger. Dit uitgangspunt maakt zin 1 completer dan zin 2.

De werkelijkheid is complexer dan deze simpele voorbeelden. In het echte leven zal Google niet simpelweg het aantal documenten tellen dat tweetal termen bevat om de relatie tussen deze termen te leggen. Google zal ook kijken naar:

• Hoe dicht de woorden op elkaar geplaatst zijn
• Of woorden ook nadruk krijgen in de HTML doordat ze bijvoorbeeld in een heading staan
• De teksten op de pagina’s in het linkprofiel om een pagina heen

Het wordt nog complexer als je gaat nadenken over polysemie. Polysemie betekent dat een woord of uitdrukking meerdere betekennissen heeft. Zo zal er in een groot deel van de pagina’s over politiek het word ‘weer’ voorkomen. Dit betekent echter niet dat er een relatie is tussen politiek en het weer. ‘weer’ wordt namelijk in dit verband niet gebruikt als omschrijving van de temperatuur en de luchtvochtigheid maar als voegwoord.

Latent Semantic Indexing/Analysis

Google heeft de rekenkracht om van vele woorden alle gerelateerde woorden te vinden. Google kan vervolgens een document over een bepaald onderwerp op volledigheid analyseren. Hoe meer gerelateerde woorden gebruikt worden, hoe completer het document is. Maar dit werkt ook andersom. Hoe meer woorden ontbreken, hoe incompleter is de informatie. Dit is wat Latent Semantic Indexing of Latent Semantic Analysis doet. Iets is latent als het niet zichtbaar aanwezig is, maar wel aanwezig zou moeten zijn. Zo kun je een latente gave hebben: iets wat al wel in je zit, maar er nog niet is uitgekomen.

Latent Semantic Indexing is dus een indexatie op basis van de ontbrekende, maar semantisch wel passende woorden. Als Google een relatie heeft gelegd tussen trekhaak, auto, caravan en aanhanger is ‘aanhanger’ latent in de eerste zin en ‘trekhaak’ in de tweede zin:

1. Met de trekhaak van je auto kun je een caravan trekken
2. Met een auto kun je een caravan of aanhanger trekken

Wat doet Google met LSI?

Zoals al gezegd kan Google LSI gebruiken om de kwaliteit van zoekresultaten te bepalen. Welke woorden missen in de resultaten die er eigenlijk wel hadden moeten staan? Daarnaast kan Google via aan LSI gerelateerde technologieën synoniemen herkennen. Tenslotte zijn de verwante zoeksuggesties van Google ook een product van taalonderzoek. Dit is niet alles direct LSI, maar het is wel gerelateerd.

Wat kan ik met semantiek en LSI?

Al jaren lang roepen SEO’ers dat teksten ‘goed’ moeten zijn. Hierbij werd vaak gekeken naar een minimale tekstlengte en het regelmatig laten terugkeren van de keywords in bijvoorbeeld enkele headings. Dit is nog steeds belangrijk, maar ‘goed’ is het niet. Wat pas echt goed is is als je tekst zo volledig mogelijk is. Zoveel mogelijk gerelateerde woorden moeten worden gebruikt. Maar hoe kom je tot deze woorden?

1. Brainstorm zelf over gerelateerde woorden
2. Lees veel andere webpagina’s over jouw onderwerp
3. Bouw een tool om woorden te scrapen

• Tweet