2023 में सफलता के लिए लेखन: हैकरनून पर अपने लेखों को अनुकूलित करने के लिए नो-कोड मशीन लर्निंग

अपने लेखन की पहुंच और सफलता में सुधार करना कोई छोटी उपलब्धि नहीं है, और मशीन लर्निंग आपकी प्रक्रिया में एक बड़ी भूमिका निभा सकती है।

यदि आप ऑडियंस को आकर्षित करने और क्लिक बढ़ाने के लक्ष्य के साथ सामग्री बना रहे हैं, तो यह लेख आपके लिए है। आधुनिक मशीन लर्निंग (एमएल) टूल पिछले लेखों से जुड़ाव डेटा का विश्लेषण करना संभव बनाते हैं ताकि आप अपनी सामग्री को प्रतिस्पर्धात्मक बढ़त देते हुए क्या काम करता है और क्या नहीं इस बारे में सूचित निर्णय ले सकते हैं।

आइए देखें कि आपके द्वारा "प्रकाशित करें" हिट करने से पहले ही लेखों की सफलता की भविष्यवाणी करने के लिए मशीन लर्निंग का उपयोग कैसे किया जाए।

अपना डेटा इकट्ठा करें

चाहे आप एक नए लेखक हों या एक अनुभवी पत्रकार, आप अपने लेख को हमारे प्रिय हैकरनून सहित कई साइटों पर प्रकाशित कर रहे हैं।

किसी ऐसे प्रकाशन के लिए लिखते समय जो आपका अपना नहीं है, आप अपने ब्लॉग को सबमिट करते समय आम तौर पर उपलब्ध सभी डेटा और विचार-मंथन से चूक जाते हैं।

प्रकाशन से डेटा और अंतर्दृष्टि तक पहुंच के बिना, यह निर्धारित करना मुश्किल हो सकता है कि हैकरनून पर कौन से विषय सबसे लोकप्रिय हैं, अधिकतम प्रदर्शन के लिए आवश्यक लिंक की संख्या, या एक सफल लेख के लिए आवश्यक प्रतिष्ठा।

आरंभ करने के लिए, हमें यह डेटा खोजने की आवश्यकता है ।

जब तक कि यह बहुत छोटा प्रकाशन न हो, कोई भी आधुनिक एसईओ उपकरण आपको किसी भी वेबसाइट के लिए शीर्ष पृष्ठ (उर्फ शीर्ष लेख) प्रदान करने में सक्षम होगा । हमारे मुख्य उदाहरण के रूप में हैकरनून का उपयोग करते हैं।

हैकरनून पर शीर्ष लेखों का पता लगाने के लिए, आप SpyFu, SEMRush, या Ahrefs जैसी किसी चीज़ का उपयोग कर सकते हैं। प्रत्येक टूल की अपनी मेट्रिक्स होती है और यह आपकी अच्छी सेवा करेगी। शुरुआती लोग SpyFu को उसके किफायती प्रवेश मूल्य के कारण आज़माना चाह सकते हैं।

मैंने आपके लिए पहले ही ऐसा कर लिया है और हैकरनून पर शीर्ष 3000 लेख ढूंढ लिए हैं । यदि आप सूची डाउनलोड करना चाहते हैं, तो आप यहां ऐसा कर सकते हैं।

सूची डाउनलोड करें ( हैकरनून के लिए डेटासेट - Google पत्रक )

एक बार जब आपके पास स्रोत URL, शीर्षक और सहभागिता आँकड़े आ जाते हैं, तो अगले चरण पर जाने का समय आ जाता है।

अपना डेटा समृद्ध करें

अकेले URL आपको किसी लेख के बारे में अधिक जानकारी नहीं देंगे और यह सिखाने के लिए पर्याप्त नहीं होंगे कि 2023 में सफलता के लिए कैसे लिखना है। आपको अधिक डेटा की आवश्यकता है। आपको संवर्धन की आवश्यकता है।

आप अपने URL को किसी भी तरह से समृद्ध कर सकते हैं, लेकिन सबसे मूल्यवान लोगों में संभवतः अन्य SEO मेट्रिक्स शामिल हैं, जैसे शब्द गणना, बैकलिंक प्रोफ़ाइल और पृष्ठ प्राधिकरण।

यह समझने के लिए अपने आप से ये प्रश्न पूछें कि आप भविष्यवाणी से क्या प्राप्त करने का प्रयास कर रहे हैं:

• आप क्या भविष्यवाणी करने की कोशिश कर रहे हैं? क्या यह शीर्षक है? लेख की लंबाई? यह कितने कीवर्ड के लिए रैंक करेगा?
  
• अभी आपके पास कौन सा डेटा उपलब्ध है? कोई भी डेटा जो आपके जुड़ाव के उद्देश्य से प्रासंगिक है, आपकी भविष्यवाणी की सटीकता दर को बेहतर बनाने में मदद कर सकता है
  
• ध्यान रखें कि एक बार आपका एमएल मॉडल तैयार हो जाने के बाद, आप जब चाहें लक्ष्य प्रकाशन पर सफलता की भविष्यवाणी करने के लिए इसका उपयोग कर सकते हैं। एक हैकरनून भविष्यवाणी मॉडल आज लंबे समय तक आपकी अच्छी सेवा करेगा जब तक हैकरनून एक महत्वपूर्ण दर्शक परिवर्तन (या अति-सफल लेखों का एक नया सेट डेटा को तिरछा) नहीं करता है।

इस मामले में, हमारा लक्ष्य शीर्षक, बैकलिंक्स और कीवर्ड्स के आधार पर हैकरनून पर एक लेख को प्राप्त होने वाले दृश्यों की औसत संख्या के लिए अनुकूलित करना है।

मैंने बैकलिंक अनुसंधान के लिए एक लोकप्रिय समाधान मैजेस्टिकएसईओ में यह सारा डेटा आसानी से उपलब्ध पाया। यदि आपका बजट कम है, तो आप SEOGlass या Ubersuggest जैसे कुछ निःशुल्क विकल्पों का उपयोग कर सकते हैं। वे विस्तृत नहीं होंगे, लेकिन फिर भी आप अपना डेटासेट बनाने में सक्षम होंगे।

संवर्धन के बाद, उदाहरण डेटासेट में अब विशेषताएं हैं:

• लेख का नाम
• यूआरएल
• बैकलिंक्स की औसत संख्या (आंतरिक और बाह्य)
• अवतरण प्रवाह
• ट्रस्ट फ्लो

आप समृद्ध डेटासेट को यहां मुफ्त में डाउनलोड कर सकते हैं। ( हैकरनून के लिए डेटासेट - Google पत्रक )

ट्रेन योर नो-कोड मशीन लर्निंग मॉडल

मशीन लर्निंग जटिल हुआ करती थी, और आपको किसी भी प्रकार के विश्वसनीय मॉडल के साथ आने के लिए डेटा वैज्ञानिक की आवश्यकता होती थी। आजकल, अब ऐसा नहीं है।

विजुअल इंटरफेस के साथ AutoML, ChatGPT, और DALL-E2 जैसी नई तकनीकों की जोड़ी को 2022 में AI-पावर्ड टूल्स के उभरने के साथ पहचाना गया। इससे नो-कोड मशीन लर्निंग का विकास हुआ।

अक्कीओ और अन्य कंपनियां स्वचालित मशीन लर्निंग मॉडल पेश करती हैं जिन्हें बिना किसी कोडिंग या डेटा साइंस ज्ञान के जल्दी और आसानी से प्रशिक्षित किया जा सकता है। इन उपकरणों के साथ, दुनिया भर में कोई भी अपने डेटासेट अपलोड कर सकता है और भविष्य के रुझानों की भविष्यवाणी कर सकता है, डेटा का पूर्वानुमान लगा सकता है और विसंगतियों का पता लगा सकता है।

कंप्यूटर जैसे इलेक्ट्रॉनिक उत्पादों में दोषों का पता लगाने, उत्पादों को बेहतर बनाने के लिए ग्राहकों की प्रतिक्रिया का विश्लेषण करने, नए फार्मास्यूटिकल्स के लिए अनुसंधान प्रक्रिया को सुव्यवस्थित करने और उत्पाद पंजीकरण के समय उपयोगकर्ता मंथन की भविष्यवाणी करने सहित विभिन्न उद्देश्यों के लिए अब दुनिया भर में कंपनियों द्वारा नो-कोड मशीन लर्निंग का उपयोग किया जा रहा है। .

उस ने कहा, चलो काम पर वापस आते हैं: हमारे पास हैकरनून लेखों का एक समृद्ध डेटाबेस है, सापेक्ष सफलता मेट्रिक्स के साथ हम चरण 2 में आए। यदि आपकी सफलता मेट्रिक्स अलग हैं, तो आपको अपने प्रारंभिक डेटाबेस को उसी के अनुसार बदलना होगा।

यदि आप साथ चलना चाहते हैं और/या अपने खुद के मॉडल को प्रशिक्षित करना चाहते हैं, तो अक्कीओ और ऊपर बताए गए अन्य उपकरण नि:शुल्क परीक्षण प्रदान करते हैं।

1. डेटासेट अपलोड करें

   आप डेटासेट को Google शीट एकीकरण, प्रत्यक्ष CSV अपलोड, या किसी भी अंतर्निहित CRM और मार्केटिंग एकीकरण के माध्यम से Akkio पर अपलोड कर सकते हैं। आइए इसे अभी मैन्युअल अपलोड के साथ करते हैं।

एक बार पूरा हो जाने के बाद अक्कीओ प्लेटफॉर्म इस तरह दिखाई देगा:

आपके सभी स्तंभों के साथ, एकत्रीकरण आरंभ से ही आपके डेटा में कुछ रुझानों को समझने में आपकी सहायता करेगा। उदाहरण के लिए, आप संपूर्ण लेखों में SEO क्लिक्स का वितरण देख सकते हैं, जिसमें स्पष्ट रूप से रेखांकित किया गया है कि कैसे अधिकांश लेखों को 100 SEO क्लिक्स से कम प्राप्त होते हैं, जबकि कुछ अति-सफल हो सकते हैं।

आप शीर्ष 5% में रहना चाहते हैं, है ना? इसलिए, वहां पहुंचने में आपकी मदद करने के लिए मॉडल को प्रशिक्षित करें!

2. सभी विसंगतियों को दूर करें

सफल मशीन लर्निंग मॉडल प्रशिक्षण के लिए उचित डेटा तैयार करना आवश्यक है। यदि आप एक्सेल का उपयोग करना पसंद करते हैं, तो इसे वहां किया जा सकता है। वैकल्पिक रूप से, अक्कीओ एक व्यापक डेटा तैयारी टूलकिट प्रदान करता है जो आपको चैटजीपीटी की याद दिलाएगा।

यह आपको अपने वांछित संपादन टाइप करने की अनुमति देता है, और प्लेटफ़ॉर्म का डेटासेट उन्हें प्रतिबिंबित करेगा।

मेरे उदाहरण में, मैंने अक्कीओ के चैट डेटा प्रेप से यह पूछा:

• 30 से कम देखे जाने वाले सभी लेख हटाएं;
• 3200 से अधिक बार देखे गए लेखों को हटाएं;

यह सुनिश्चित करने के लिए है कि हम डेटासेट में विसंगतियों से बचें। 3200+ व्यूज तक पहुंचने वाले कुछ ही लेख थे, और 30 से कम के साथ बहुत बड़ी संख्या में अप्रासंगिक लेख होने की संभावना थी। इन आउटलेयर को हटाने से मॉडल को ड्राइविंग कारकों पर अपना ध्यान केंद्रित करने में मदद मिलती है जो हमारे परिणामों के लिए सबसे ज्यादा मायने रखते हैं।

जैसा कि आप अपने उपयोग के मामले में फिट देखते हैं, आप डेटा को साफ कर सकते हैं। पूरे सेट में एक समान प्रारूप रखने के लिए आपको स्तंभों को संयोजित करने और कुछ मानों के प्रारूप को बदलने की आवश्यकता हो सकती है (उदाहरण के लिए दिनांक एक सामान्य हैं)।

3. मॉडल चलाएँ

इस उपयोग के मामले में, हम चाहते हैं कि हमारा मशीन लर्निंग मॉडल अतीत के सफल लेखों के आधार पर हमारे नए लेख की सफलता की भविष्यवाणी करे। इसे आसानी से अकीओ प्लेटफॉर्म पर "भविष्यवाणी" मॉडल के रूप में संदर्भित किया जाता है।

एक भविष्यवाणी मॉडल के लिए आपको केवल एक कॉलम चुनने की आवश्यकता होती है, और एल्गोरिथ्म बाकी काम करेगा। आपको बस इतना करना है कि वापस बैठें और मॉडल ट्रेन को ही देखें।

स्क्रीन के निचले भाग में, आप तय कर सकते हैं कि आप कितनी तेजी से मॉडल को नीचे की रेखा तक पहुंचाना चाहते हैं। मेरा सुझाव है कि आप "फास्ट" से शुरू करें (आमतौर पर इसमें एक मिनट से भी कम समय लगता है) और एक बार जब आप किसी मॉडल पुनरावृत्ति के साथ काम कर लेते हैं तो एक लंबे प्रशिक्षण समय पर चले जाते हैं।

इससे पहले कि आप भविष्यवाणी पर क्लिक करें, दोबारा जांच लें कि आपने भविष्यवाणी करने के लिए सही मान का चयन किया है। मैं "एसईओ क्लिक्स" की क्षमता का अनुमान लगाना चाहता हूं, इसलिए यह मेरा पूर्वानुमान लक्ष्य है।

कृपया ध्यान दें कि अक्कीओ और अन्य नो-कोड टूल आमतौर पर मशीन लर्निंग मॉडल की एक विस्तृत विविधता प्रदान करते हैं। हमारे उदाहरण की तरह एक संख्या की भविष्यवाणी के लिए, उपकरण सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडल को चुनने के लिए AutoML नामक एक प्रक्रिया का उपयोग करेंगे। ये प्लेटफार्म समय-श्रृंखला मॉडल और अन्य एमएल उपकरण भी प्रदान करते हैं। आप किस प्रकाशन के लिए पिच कर रहे हैं, और आप किस बारे में लिख रहे हैं, इस पर निर्भर करते हुए, आप अन्य मॉडलिंग दृष्टिकोणों पर विचार कर सकते हैं।

उदाहरण के लिए, यदि आप एक नए लेख के लिए कुछ गहन शोध करना चाहते हैं, तो आप इन प्लेटफार्मों का उपयोग विशाल डेटासेट में सभी विसंगतियों का पता लगाने के लिए कर सकते हैं (लाखों रिकॉर्ड के साथ, शायद विकिपीडिया से आ रहे हैं!), पूर्वानुमान रुझान (आप देख सकते हैं) एक वेबसाइट का एक उदाहरण यहां ProductHunt पर उत्पाद की सफलता का अनुमान लगाना ). मान लें कि आपके पास कुछ डेटा है, संभावनाएं काफी अंतहीन हैं।

यदि आप इसके बारे में अधिक जानने में रुचि रखते हैं, तो अक्कीओ के पास सभी प्रमुख अनुप्रयोगों के लिए सहायक दस्तावेजों के साथ एक पूर्ण पृष्ठ है। स्पॉइलर अलर्ट: एक खंड ट्विटर सेंटीमेंट एनालिसिस और एक ऐसी सुविधा पर चर्चा करता है जो वर्षों से केवल डेटा वैज्ञानिकों के लिए ही सुलभ है!

4. परिणामों का विश्लेषण करें

   एक बार जब मॉडल का प्रशिक्षण पूरा हो जाता है, तो आपको एक " इनसाइट रिपोर्ट " दिखाई देगी, जो डेटा में सभी अविश्वसनीय रूप से दिलचस्प पैटर्न का विवरण देती है, जो आपके चयनित परिणाम को चला रहे हैं।

यह आपको बताएगा कि कौन से कारक सकारात्मक और नकारात्मक परिणामों से जुड़े हैं। यहां आपको ढेरों सोने की डली मिल जाएगी। अंतर्दृष्टि रिपोर्ट के माध्यम से पढ़ने और ड्राइविंग कारक ग्राफ़ का अध्ययन करने से आपको प्रकाशन के लिए अपनी सामग्री विपणन रणनीति बनाने में मदद मिलेगी!

रिपोर्ट सटीकता स्तर भी दिखाती है। क्योंकि हमारे डेटासेट में संभावित क्लिक मानों की एक बड़ी श्रृंखला है और क्लिकों के निचले सिरे की ओर बहुत अधिक भारित है, हमें एक सटीकता मिलती है जो आमतौर पर 55% के भीतर होती है - लेकिन यहाँ पर ध्यान देने वाला आँकड़ा 88 क्लिकों का "ऑफ बाय" है . यह वास्तव में हमारे उद्देश्यों के लिए बहुत अच्छा है!

यदि आपका मॉडल पर्याप्त रूप से सटीक नहीं है, तो इसकी सटीकता में सुधार करने के लिए आपको आमतौर पर अधिक उदाहरण या अधिक प्रासंगिक इनपुट कॉलम प्राप्त करने की आवश्यकता होती है - लेकिन लगभग किसी भी मॉडल में बहुत अधिक प्रत्यक्ष रूप से सही जानकारी होती है जिसका आप अपने परिणामों को बेहतर बनाने के लिए लाभ उठा सकते हैं।

5. मॉडल तैनात करें

आप मॉडल को विभिन्न तरीकों से परिनियोजित कर सकते हैं: API, वेब ऐप, जैपियर, और Akkio का प्रत्यक्ष एकीकरण।

मेरा सुझाव है कि आप वेब ऐप से शुरुआत करें, क्योंकि इसके लिए शून्य सेटअप की आवश्यकता होती है और इसे 2 मिनट से भी कम समय में लाइव भेज दिया जा सकता है।

वेब ऐप ऑटो-जेनरेट किया गया है, और अपलोड की गई एक्सेल या सीएसवी फाइलों के बल्क पूर्वानुमानों की अनुमति देता है, या आप क्लिक पूर्वानुमान उत्पन्न करने के लिए मैन्युअल रूप से फ़ील्ड दर्ज कर सकते हैं। यह आपके द्वारा मॉडल में परिभाषित मेट्रिक्स के आधार पर प्रकाशन के लिए भविष्य के सभी लेखों की सफलता का अनुमान लगाने के लिए ऐप का उपयोग करना अविश्वसनीय रूप से आसान बनाता है!

आप यहां इसका परीक्षण कर सकते हैं .

निष्कर्ष

क्या यह बहुत अच्छा नहीं है? 2,000 से कम शब्दों में, हम:

• हैकरनून पर सफल लेखों का एक भयानक डेटासेट तैयार किया;
• स्पाईफू और मैजेस्टिकएसईओ जैसे एसईओ टूल्स के डेटा के साथ डेटा को समृद्ध किया;
• GPT-3 के साथ स्वचालित रूप से डेटासेट में हेराफेरी की;
• एक लाइव ऐप भेजा जो हमारे द्वारा परिभाषित मेट्रिक्स के आधार पर भविष्य के लेखों की सफलता का अनुमान लगा सकता है।

कुछ ऐसा जिसके लिए पहले डेटा इंजीनियरों, विश्लेषकों और एक मशीन लर्निंग विशेषज्ञ की आवश्यकता होती थी, वह अब कंप्यूटर वाले किसी भी व्यक्ति के लिए उपलब्ध है ।

एआई क्रांति में आपका स्वागत है , और यह केवल बेहतर होने जा रहा है!

भविष्य के लेखों में, मैं विपणन, बिक्री और ग्राहक सेवा के लिए और भी अनुप्रयोगों की व्याख्या करूँगा। मशीन लर्निंग आकर्षक है और प्रति सप्ताह आपको हजारों डॉलर (और घंटे!) बचा सकता है।

इसे अपने स्वयं के डेटासेट के साथ आज़माएं। मैं वादा कर सकता हूं कि यह सुपर मजेदार, आसान, कुशल है, और आप अंतिम परिणाम से प्रभावित होंगे! इसे अभी अपने लिए आजमाएं .