Machine LearningQuelles applications concrètes pour le SEO ?

Julien Deneuville• 27 ans

• Monte des sites depuis 2004

• SEO pro depuis 2011

• Twitter : @diije

• Blog : http://blog.1-clic.info/

• Musique

• Vélo

Qui suis-je ?Hello, World!

De quoi parle-t-on ?

Exemple 1 : analyse sémantique

Exemple 2 : segmentation d’utilisateurs

Exemple 3 : catégorisation d’URLs

Aller plus loin

3

Machine LearningSommaire

Machine Learning

De quoi ça s’agit ?

Machine Learning

5

Buzz Word ou réelle tendance ?

Machine Learning

Machine Learning : Field of study that gives computers the ability to learn without being explicitly programmed.

Arthur Samuel, pionnier de l’intelligence artificielle

6

Dessine-moi un mouton

Machine Learning

Mettre au point des algorithmes permettant de déterminer des caractéristiques pour de nouvelles données en se basant

sur la connaissance de données d’apprentissage.

7

Pour de vrai

Comment ça fonctionne ?

8

Dans les grandes lignes

Les régressions• Prédire une valeur « continue »

• Exemple type : calculer le prix de vente d’une maison

Les classifications• Déterminer une valeur « discrète »

• Exemple type : catégoriser des données

9

Deux grands types de méthodesMachine Learning 101

Découper de manière algorithmique un ensemble de données en classes ou clusters :• Classes : connues à l’avance

• Clusters : déterminés par la machine

En théorie :• Des objets d’un même ensemble sont

similaires

• Des objets d’ensembles différents sont dissimilaires

10

ClassificationKézako ?

Pourquoi ?

1. Un bon nombre de traitements automatisables• « Il y a un algorithme pour ça. » © Sylvain Peyronnet

2. Un changement d’échelle• Une machine traitera beaucoup plus de données qu’un humain, et plus vite.

3. Une littérature abondante• Merci à la communauté scientifique !

11

Quel intérêt au Machine Learning ?

Analyse de données sémantiques

Plus grand, plus vite, plus loin

Regrouper des mots clés

Objectif : regrouper des mots clés par proximité sémantique

Sur quels critères ?• Analyse syntaxique

• Cooccurrence

• TF*IDF

• …

Avec quelle méthode ?• K-means : le classique

Clustering

K-means

14

Quelques explications

Les avantages• Un classique du clustering

• Simple à implémenter

• Résultats rapides

Les inconvénients• Résultats aléatoires

• Nécessite d’indiquer à l’avance le nombre de classes

15

http://Scikit-Learn.org/

K-meansQuelques explications

16

Clustering sémantiqueExemple live

Quelles applications ?

Explorer un univers sémantique

Analyser la visibilité de votre site sur cet univers

Détecter des opportunités

Identifier les mots clés à utiliser

…17

Idées d’utilisation

Segmentation d’une base d’utilisateurs

CRM & recommandation

Segmenter une base d’utilisateurs

Mise en situation : vous éditez un site qui propose des contenus sur différentes thématiques (sport, jeux vidéos, cinéma …).

Vos données :• Une liste d’utilisateurs

• Leurs affinités avec vos thématiques

Votre objectif : • Regrouper vos utilisateurs par affinités

19

Trouver mes influenceurs

20

Segmenter des utilisateursCatégorisation

Réutiliser ces données

Objectif : mettre en place un système de recommandation

1. Identifier les « influenceurs » : les utilisateurs typiques d’une affinité

2. Identifier les « suiveurs » : les utilisateurs proches de ces influenceurs

3. Si un contenu plaît aux influenceurs, il plaira probablement aux suiveurs

21

Think different

22

Segmenter des utilisateursCatégorisation

Influenceurs Suiveurs

Catégorisation d’URLs

Au-delà des RegEx

Catégoriser des URLs

Objectif : catégoriser les pages d’un site, sans se baser sur les URLs

Schema classique : • http://www.example.com/category/page.htm

• Catégorie : /category/

Données d’entrée :• Liste des pages

• Liens entre ces pages

24

Brasse coulée

Logiciel open source, gratuit, français.

Visualisation de graphes

Algorithmes intégrés

Documentation

25

https://gephi.org/

GephiCouteau Suisse

Step 1 : intégrer les données dans Gephi

26

Nœuds et liens

Step 2 : catégorisation instantanée

27

Modularity Class

Aller plus loinUn peu de lecture

Les Frères Peyronnet• https://freres.peyronnet.eu/

• @speyronnet et @gpeyronnet

Aurélien Berrut• http://www.htitipi.com/blog/

• @htitipidotcom

Vincent Terrasi• http://data-seo.com/

• @vincentterrasi

29

De bonnes infosBlogs et personnes à suivre

www.1-clic.info

Merci de votre attention !Bon appétit J

Mail

julien@1-clic.info

Blog

http://blog.1-clic.info/

Twitter

@diije