Le document explore les applications concrètes du machine learning dans le domaine du SEO, en mettant en avant des techniques comme l'analyse sémantique, la segmentation d'utilisateurs et la catégorisation d'URLs. Il explique comment ces méthodes peuvent automatiser l'analyse de données, optimiser le regroupement de mots clés et améliorer la visibilité des sites. En outre, il présente des outils et algorithmes comme k-means pour la classification et le clustering sémantique.

1. Machine Learning
Quelles applications concrètes pour le SEO ?

2. 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!

3. De quoi parle-t-on ?
Exemple 1 : analyse sémantique
Exemple 2 : segmentation d’utilisateurs
Exemple 3 : catégorisation d’URLs
Aller plus loin
3
Machine Learning
Sommaire

4. Machine Learning
De quoi ça s’agit ?

5. Machine Learning
5
Buzz Word ou réelle tendance ?

6. 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

7. 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

8. Comment ça fonctionne ?
8
Dans les grandes lignes

9. 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 méthodes
Machine Learning 101

10. 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
Classification
Kézako ?

11. 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 ?

12. Analyse de données
sémantiques
Plus grand, plus vite, plus loin

13. 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

14. K-means
14
Quelques explications

15. 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-means
Quelques explications

16. 16
Clustering sémantique
Exemple live

17. 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

18. Segmentation d’une
base d’utilisateurs
CRM & recommandation

19. 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. 20
Segmenter des utilisateurs
Catégorisation

21. 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. 22
Segmenter des utilisateurs
Catégorisation
Influenceurs Suiveurs

23. Catégorisation
d’URLs
Au-delà des RegEx

24. 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

25. Logiciel open source, gratuit, français.
Visualisation de graphes
Algorithmes intégrés
Documentation
25
https://gephi.org/
Gephi
Couteau Suisse

26. Step 1 : intégrer les données dans Gephi
26
Nœuds et liens

27. Step 2 : catégorisation instantanée
27
Modularity Class

28. Aller plus loin
Un peu de lecture

29. 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 infos
Blogs et personnes à suivre

30. www.1-clic.info
Merci de votre attention !
Bon appétit J
Mail
julien@1-clic.info
Blog
http://blog.1-clic.info/
Twitter
@diije