O que é a busca semântica?

A busca semântica é uma tecnologia de mecanismo de busca que interpreta o significado de palavras e frases. Os resultados de uma busca semântica retornarão conteúdo que corresponda ao significado de uma consulta, em vez de conteúdo que corresponda literalmente às palavras da consulta.

A busca semântica é um conjunto de recursos do mecanismo de busca, que inclui a compreensão de palavras a partir da intenção de quem está fazendo a busca e de seu contexto.

Esse tipo de busca tem como objetivo melhorar a qualidade dos resultados, interpretando a linguagem natural de forma mais precisa e contextualizada. A busca semântica consegue isso combinando a intenção da busca com o significado semântico com a ajuda de tecnologias como machine learning e inteligência artificial.

A busca semântica é alimentada pela busca vetorial, que permite que ela forneça e classifique o conteúdo com base na relevância do contexto e na relevância da intenção. A busca vetorial codifica detalhes de informações buscáveis em campos de termos ou itens relacionados, ou vetores, e depois compara os vetores para determinar quais são mais semelhantes.

Uma busca semântica habilitada por busca vetorial produz resultados trabalhando em ambas as extremidades do pipeline de consulta simultaneamente: quando uma consulta é executada, o mecanismo de busca transforma a consulta em embeddings, que são representações numéricas de dados e contextos relacionados. Eles são armazenados em vetores. O algoritmo kNN, ou algoritmo de k vizinhos mais próximos, então faz a correspondência entre vetores de documentos existentes (uma busca semântica diz respeito ao texto) e os vetores da consulta. A busca semântica gera resultados e os classifica com base na relevância conceitual.

1. Quando uma consulta é executada, o mecanismo de busca transforma a consulta em embeddings, que são representações numéricas de dados e contextos relacionados. Eles são armazenados em vetores.
2. O algoritmo kNN, ou algoritmo de k vizinhos mais próximos, então faz a correspondência entre vetores de documentos existentes (uma busca semântica diz respeito ao texto) e os vetores da consulta.
3. A busca semântica gera resultados e os classifica com base na relevância conceitual.

Contexto
Na busca semântica, o contexto pode se referir a qualquer informação adicional, como a localização geográfica de quem fez a busca, o contexto textual das palavras na consulta ou o contexto do histórico de busca do usuário.

A busca semântica usa pistas de contexto para determinar o significado de uma palavra em um conjunto de dados de milhões de exemplos. A busca semântica também identifica quais outras palavras podem ser usadas em contextos semelhantes.

Por exemplo, uma busca por “football” significaria “futebol americano” nos EUA e “futebol” no Reino Unido e outras partes do mundo. A busca semântica distinguiria os resultados com base na localização geográfica do usuário.

Intenção do buscador
O papel da busca semântica é melhorar a experiência do usuário. Para fornecer os resultados mais relevantes, ela interpreta a intenção do usuário para entender suas necessidades. Ele quer informações? Ele está tentando fazer uma compra? Com base na consulta e no contexto, a busca semântica classificará os resultados por ordem de relevância.

A busca semântica também pode ser modificada ou melhorada com uma configuração de categorização de consulta, como produzir primeiro os produtos com classificação mais alta e depois os produtos com classificação mais baixa.

Relacionado: Personalize a experiência de busca dos seus usuários

Busca semântica e busca por palavra-chave

A diferença entre a busca semântica e a busca por palavra-chave é que a busca por palavra-chave retorna resultados que correspondem palavras a palavras, palavras a sinônimos ou palavras a palavras semelhantes. A busca semântica procura corresponder ao significado das palavras na consulta. Em alguns casos, a busca semântica pode não gerar resultados com correspondências diretas de palavras, mas corresponderá à intenção do usuário.

Os mecanismos de busca por palavras-chave usam ferramentas de expansão ou relaxamento de consultas, como sinônimos ou omissão de palavras. Eles também usam processamento de linguagem natural e ferramentas de compreensão, como tolerância a erros de digitação, tokenização e normalização. Por outro lado, a busca semântica é capaz de retornar resultados de consulta que correspondam ao significado por meio do uso da busca vetorial.

Considere “leite com chocolate”. Um mecanismo de busca semântica distinguirá entre “leite com chocolate” e “chocolate ao leite”. Embora as palavras-chave na consulta sejam iguais, a ordem em que são escritas afeta o significado. Como humanos, entendemos que chocolate ao leite se refere a uma variedade de chocolate, enquanto leite com chocolate é o leite com sabor de chocolate.

Vá além das experiências de busca tradicionais. Leia nosso artigo técnico e descubra as melhores abordagens para trazer a busca semântica para suas aplicações.

A busca semântica é importante porque facilita uma superfície de busca mais ampla. Como é alimentada por busca vetorial, a busca semântica possibilita uma experiência de busca mais intuitiva, na qual o contexto e a intenção da consulta produzem resultados.

Como os algoritmos de busca semântica continuam “aprendendo” com uma variedade de indicadores-chave de desempenho (KPIs), como taxas de conversão e taxas de rejeição, a busca semântica ajuda a aumentar a satisfação do usuário.

Conheça detalhes sobre as tendências da busca técnica em 2024. Assista a este webinar para conhecer práticas recomendadas e metodologias emergentes, e saber como as principais tendências estão influenciando os desenvolvedores em 2024.

A busca semântica oferece resultados com base no contexto geográfico do usuário, no histórico de busca anterior do usuário e na intenção do usuário.

A personalização usa as buscas e interações anteriores do usuário para determinar a relevância e a classificação da resposta. A busca semântica também pode reclassificar os resultados com base em como outros usuários interagiram com as respostas obtidas. Por exemplo, quando você digita “restaurantes” em seu mecanismo de busca, ele produz resultados que estão na sua área.

Com uma melhor compreensão da intenção do usuário, a busca semântica pode responder a uma consulta como “caçarolas Le Creuset vs. Staub” com conteúdo que prioriza comparações de produtos porque essa é a intenção do usuário. A busca semântica reconhecerá a intenção por trás de “melhores ofertas de Staub” ou “descontos em Le Creuset” como intenção de compra e oferecerá respostas adequadas.

Outro exemplo é o texto preditivo. À medida que você digita uma consulta em uma barra de busca, ela usa a busca semântica para completar sua consulta e sugerir termos de busca relevantes com base no contexto, buscas comuns e histórico de buscas anteriores.

A busca semântica beneficia as empresas e seus clientes ao melhorar a experiência de busca.

Mais facilidade de uso para os clientes
Os clientes podem não se lembrar do jargão ou de nomes de produtos específicos. A busca semântica permite que os clientes insiram consultas de busca vagas e obtenham resultados específicos. Os clientes também podem buscar usando uma descrição para descobrir o nome. Por exemplo, você pode descobrir uma música buscando por uma parte da letra que conhece e encontrar o título.

Como a busca semântica interpreta o significado considerando a intenção e o contexto, a experiência do lado do cliente parece mais uma interação humana.

Os conceitos são mais robustos que as palavras-chave
Ao combinar conceitos em vez de palavras-chave, a busca semântica produz resultados mais precisos. Por meio de embeddings dimensionais, um vetor representa uma palavra como um conceito. “Carro” não corresponde mais apenas a “carro”' ou “carros”, mas também a “motorista”, “seguro”, “pneus”, “elétrico”, “híbrido” e assim por diante, porque essas palavras estão conectadas ao vetor de “carro”.

Portanto, a busca semântica baseada na busca vetorial expande o conceito de simplesmente combinar palavras-chave representadas por tokens.

Melhor para os negócios
Ao compreender a intenção do usuário, a busca semântica pode aumentar as vendas e a satisfação do cliente. A intenção do usuário pode ser informativa, transacional, navegacional ou comercial. Ao compreender a intenção, o mecanismo de busca pode atender melhor às necessidades do cliente. Isso melhora o relacionamento do cliente com a marca, o que é melhor para os negócios.

A plataforma Elasticsearch está equipada com soluções de machine learning e IA, incluindo um modelo de busca semântica: o Elastic Learned Sparse EncodeR — ou ELSER. Esse modelo de PLN é treinado pela Elastic para permitir a busca semântica em uma ferramenta fácil de implantar.

Assista a este vídeo e conheça o modelo codificador zero-shot da Elastic: saiba como ele funciona e por que pode ajudar a implementar a busca semântica rapidamente para apps de busca com IA e experiências de IA generativa. O modelo de machine learning da Elastic não requer treinamento, portanto, economiza custos e tempo.

Saiba mais sobre o Elasticsearch

• Busca semântica: trazendo experiências de busca para a era da IA
• AI search algorithms explained (Algoritmos de busca com IA explicados)
• Aprenda os conceitos básicos de modelos de processamento de linguagem natural (PLN) e busca vetorial com a Elastic
• Os benefícios da busca vetorial e cinco motivos pelos quais os líderes de TI precisam dela para melhorar as experiências de busca
• Assista a este vídeo para saber mais sobre a busca vetorial e suas aplicações (em inglês)
• Entenda como implantar o PLN com a Elastic (em inglês)
• Domine a busca de kNN com a Elastic (em inglês)

Quando você estiver pronto(a)... veja aqui quatro maneiras para ajudar você a aproveitar os insights dos dados da sua empresa:

1. Inicie uma avaliação gratuita e veja como a Elastic pode ajudar sua empresa.
2. Conheça nossas soluções para ver como a Elasticsearch Platform funciona e elas atenderão às suas necessidades.
3. Descubra como fornecer IA generativa na empresa.
4. Compartilhe este artigo com alguém que você conhece e que gostaria de lê-lo. Compartilhe por email, LinkedIn, Twitter ou Facebook.

Embeddings. Embeddings são representações vetoriais do significado das palavras. São a forma que uma palavra assume quando é processada para uma busca.

Índice invertido. Um índice invertido é um banco de dados que permite aos mecanismos de busca recuperar informações. Ele combina palavras com números, ou números com números, com sua localização em um banco de dados, documento ou conjunto de documentos. Um índice no nível de registro corresponderá palavras a um ou vários documentos. Um índice no nível de palavra corresponderá palavras ao local onde elas estão no documento.

Processamento de linguagem natural (PLN). O processamento de linguagem natural é um subcampo da ciência da computação, da linguística e da inteligência artificial que permite aos computadores compreender e processar a linguagem humana. Normalização. A normalização refere-se ao processo de transformação de valores numéricos de dados em uma escala comum.

Semântica. A semântica é um ramo da linguística e da lógica que estuda o significado. É também um subcampo da ciência da computação e da filosofia.

Tokenização. No PLN, a tokenização refere-se ao processo de conversão de frases em tokens, ou unidades menores de informação. É um processo que permite um processamento mais rápido do computador.