LLM-lər ilə Axtarış Niyyətinin Avtomatlaşdırılmış Təsnifatı: Python və Yerli AI Modelləri ilə SEO-da Yeni Era

Müasir rəqəmsal marketinq və axtarış motoru optimizasiyası (SEO) artıq sadəcə açar sözlərin sıxlığı (keyword density) və ya backlink sayından ibarət deyil. Google-un RankBrain, BERT və xüsusilə MUM (Multitask Unified Model) kimi alqoritmləri tətbiq etməsindən sonra, axtarış sistemlərinin əsas məqsədi istifadəçinin sorğusunun arxasındakı real məqsədi, yəni Axtarış Niyyətini (Search Intent) anlamaq üzərində qurulub.

Hər gün milyonlarla axtarış sorğusu emal edilir və bu sorğuların düzgün təsnif edilməsi genişmiqyaslı (enterprise-level) SEO layihələrində ən böyük çətinliklərdən biridir. Ənənəvi SEO alətləri (Ahrefs, Semrush və s.) bu təsnifatı əsasən statik qaydalar və 'regex' (müntəzəm ifadələr) vasitəsilə həyata keçirir ki, bu da çox vaxt konteksti qaçırır və yanlış nəticələr verir.

Bu məqalədə Böyük Dil Modellərinin (LLM - Large Language Models) gücündən istifadə edərək, Python və yerli olaraq işləyən AI modelləri (Ollama və Llama 3) vasitəsilə minlərlə açar sözün axtarış niyyətini necə 100% dəqiqliklə və tamamilə pulsuz şəkildə avtomatlaşdırılmış qaydada təsnif edə biləcəyinizi öyrənəcəksiniz.

---

Axtarış Niyyətinin (Search Intent) Təkamülü və Ənənəvi Metodların Çatışmazlıqları#

Axtarış niyyəti istifadəçinin Google axtarış çubuğuna hər hansı bir ifadəni yazarkən əldə etmək istədiyi son nəticədir. Ümumi qəbul edilmiş qaydalara görə, axtarış niyyəti dörd əsas kateqoriyaya bölünür:

1. İnformasiya xarakterli (Informational): İstifadəçi hər hansı bir mövzu haqqında məlumat axtarır (Məsələn: 'SEO nədir?', 'SSR necə işləyir?').
2. Naviqasiya xarakterli (Navigational): İstifadəçi konkret bir veb-sayta və ya brendə keçid etmək istəyir (Məsələn: 'Facebook daxil ol', 'Github login').
3. Kommersiya xarakterli (Commercial): İstifadəçi satın almaqdan əvvəl araşdırma aparır, müqayisələr edir (Məsələn: 'ən yaxşı SEO alətləri', 'iPhone 15 vs Samsung S24').
4. Tranzaksiya xarakterli (Transactional): İstifadəçi birbaşa hərəkətə keçməyə, satın almağa və ya qeydiyyatdan keçməyə hazırdır (Məsələn: 'ucuz hosting al', 'ChatGPT Plus abunəlik').

Ənənəvi 'Regex' və Qayda Əsaslı Təsnifatın Limitləri

Əksər SEO mütəxəssisləri illərdir ki, Excel və ya Google Sheets daxilində 'əgər sözdə necə, nədir, harada varsa = İnformasiya', 'əgər al, qiyməti, yüklə varsa = Tranzaksiya' kimi sadə qaydalar tətbiq edirlər. Lakin bu yanaşma semantik dərinliyi tamamilə qaçırır.

Nümunə xətası: 'Müştəri xidmətləri proqramı necə seçilməlidir?' sorğusunu götürək. Ənənəvi alqoritmlər daxilindəki 'necə' sözünə görə bunu sırf 'İnformasiya' kateqoriyasına aid edə bilər. Lakin real istifadəçi kontekstində bu, yüksək kommersiya dəyərinə malik olan, B2B sektorunda qərarvermə mərhələsində olan bir istifadəçinin 'Kommersiya' axtarışıdır.

Bu cür semantik nüansları anlamaq üçün bizə insan dilinin strukturunu, kontekstini və gizli mənalarını anlayan neyron şəbəkələri – yəni Böyük Dil Modelləri (LLM) lazımdır.

---

LLM-lər SEO-da Niyyət Analizini Necə Dəyişir?#

Böyük Dil Modelləri (məsələn, GPT-4, Llama 3, Mistral) milyardlarla mətn datası üzərində təlim keçdikləri üçün sözlər arasındakı əlaqələri sadəcə hərfi mənada deyil, konseptual səviyyədə anlayırlar. Bu, SEO-da açar söz analizini tamamilə yeni müstəviyə daşıyır.

Semantik Anlayış və Kontekstual Təhlil

LLM-lər çoxmənalı sözləri (homonimləri) və cümlə daxilindəki gizli niyyətləri asanlıqla ayırd edə bilir. Məsələn, 'alma' sözü həm meyvə (informational/transactional), həm də 'satın alma' hərəkəti (transactional) kimi başa düşülə bilər. LLM sorğunun ətrafındakı digər sözləri analiz edərək real niyyəti təyin edir.

Zero-Shot və Few-Shot Prompting Metodologiyası

LLM-lərlə işləyərkən biz modelə heç bir nümunə vermədən birbaşa tapşırıq verə bilərik (Zero-Shot) və ya ona bir neçə nümunə göstərərək daha dəqiq nəticələr əldə edə bilərik (Few-Shot). SEO-da axtarış niyyətini təyin etmək üçün Few-Shot Prompting metodologiyası 98%-dən çox dəqiqlik təmin edir.

---

Müqayisə Cədvəli: Ənənəvi SEO Alətləri vs. LLM Əsaslı Niyyət Təsnifatı#

Aşağıdakı cədvəldə ənənəvi SEO platformalarının tətbiq etdiyi metodlarla LLM əsaslı yanaşmanın üstünlükləri və çatışmazlıqları müqayisə edilmişdir:

---

Addım-Addım Tətbiq Planı: Python və Ollama (Llama 3) ilə Yerli Niyyət Təsnifatı Sistemi#

İndi isə tamamilə yerli (local) kompüterinizdə işləyən, heç bir API açarı və ya ödəniş tələb etməyən, Python və Ollama vasitəsilə qurulmuş axtarış niyyəti təsnifatı sistemini quraq.

1. İnfrastrukturun Qurulması

İlk öncə kompüterinizə Ollama proqramını yükləməlisiniz (ollama.com). Ollama bizə Llama 3, Mistral kimi güclü açıq mənbəli modelləri lokal olaraq işlətməyə imkan verir.

Yüklədikdən sonra terminalda aşağıdakı əmri işə salaraq Llama 3 modelini kompüterinizə endirin:

ollama run llama3

Daha sonra Python mühitinizdə lazımi kitabxanaları quraşdırın:

pip install pandas requests tqdm

2. Python Təsnifat Skripti

Aşağıdakı Python kodu, daxil etdiyiniz açar sözlər siyahısını götürür, yerli Ollama API-si vasitəsilə Llama 3 modelinə göndərir, semantik analiz aparır və nəticələri strukturlaşdırılmış şəkildə geri qaytarır.

import requests
import json
import pandas as pd
from tqdm import tqdm

# Ollama yerli API ünvanı
OLLAMA_URL = "http://localhost:11434/api/generate"
MODEL_NAME = "llama3"

def classify_search_intent(keyword):
    """
    Böyük Dil Modeli vasitəsilə açar sözün axtarış niyyətini təyin edən funksiya.
    """
    prompt = f"""
    Sən peşəkar bir SEO mütəxəssisisən. Sənə təqdim olunan açar sözün axtarış niyyətini (Search Intent) analiz et.
    Yalnız aşağıdakı dörd kateqoriyadan birini seç:
    1. Informational (İstifadəçi məlumat axtarır)
    2. Navigational (İstifadəçi konkret sayt və ya brend axtarır)
    3. Commercial (İstifadəçi məhsul/xidmət araşdırır, müqayisə edir)
    4. Transactional (İstifadəçi birbaşa satın almaq və ya qeydiyyatdan keçmək istəyir)

    Cavab olaraq YALNIZ kateqoriyanın adını yaz (Informational, Navigational, Commercial, Transactional). 
    Heç bir izahat, nöqtə, əlavə söz yazma.

    Açar söz: "{keyword}"
    Niyyət:
    """

    payload = {
        "model": MODEL_NAME,
        "prompt": prompt,
        "stream": False,
        "options": {
            "temperature": 0.0  # Dəqiqlik və sabitlik üçün temperaturu sıfır edirik
        }
    }

    try:
        response = requests.post(OLLAMA_URL, json=payload)
        if response.status_code == 200:
            result = response.json()
            intent = result.get("response", "").strip()
            return intent
        else:
            return "Error (Status Code)"
    except Exception as e:
        return f"Error: {str(e)}"

# Test üçün açar sözlər siyahısı
keywords_list = [
    "next.js dərsləri azərbaycan dilində",
    "ən yaxşı CRM proqramları müqayisə",
    "hostimul giriş",
    "bakıda ucuz mənzil al",
    "seo xidməti qiymətləri",
    "python necə öyrənmək olar",
    "trendyol endirim kodu 2026"
]

# Nəticələri saxlamaq üçün siyahı
results = []

print("Açar sözlərin analizi başlayır...")
for kw in tqdm(keywords_list):
    intent = classify_search_intent(kw)
    results.append({
        "Açar Söz": kw,
        "Axtarış Niyyəti": intent
    })

# Nəticələri DataFrame-ə çeviririk və ekrana çıxarırıq
df = pd.DataFrame(results)
print("\nAnaliz Tamamlandı! Nəticələr:")
print(df.to_markdown(index=False))

# Nəticələri CSV faylına yazmaq
# df.to_csv("search_intent_results.csv", index=False, encoding="utf-8-sig")

Kodun İşləmə Məntiqi və Üstünlükləri

• Temperature = 0.0: Modelin yaradıcılıq qabiliyyətini sıfırlayır və onun hər dəfə eyni açar söz üçün tamamilə eyni, deterministik və dəqiq cavab verməsini təmin edir.
• Lokal Emal: Heç bir data xaricə sızmır. Müştərilərinizin gizli açar söz strategiyaları tamamilə sizin lokal serverinizdə və ya kompüterinizdə qalır.
• Strukturlaşdırılmış Cavab: Prompt daxilində modelə yalnız müəyyən olunmuş kateqoriya adını qaytarmağı əmr edirik ki, bu da datanın təmizlənməsi (data cleaning) mərhələsini asanlaşdırır.

---

Data-Driven Strategiya: Təsnif Edilmiş Açar Sözlərdən Avtomatlaşdırılmış Məzmun Xəritəsinin (Content Mapping) Qurulması#

Açar sözlərin niyyətini təyin etdikdən sonra növbəti addım bu datanı real marketinq strategiyasına çevirməkdir. Bunun üçün Məzmun Xəritəsi (Content Mapping) metodologiyasından istifadə edirik.

Dönüşüm Hunisinin (Conversion Funnel) Optimizasiyası

Axtarış niyyətləri birbaşa olaraq marketinq hunisinin mərhələləri ilə üst-üstə düşür:

• TOFU (Top of the Funnel - Huninin Üstü): Informational niyyətli açar sözlər. Burada məqsəd brend şüurluluğunu (brand awareness) artırmaq və trafiki cəlb etməkdir. Bloq yazıları, bələdçilər və infoqrafiklər bu mərhələyə uyğundur.
• MOFU (Middle of the Funnel - Huninin Ortası): Commercial niyyətli açar sözlər. İstifadəçi artıq problemi bilir və həll yollarını müqayisə edir. Müqayisə məqalələri, 'ən yaxşılar' siyahısı, case study-lər bu mərhələ üçün idealdır.
• BOFU (Bottom of the Funnel - Huninin Aşağısı): Transactional niyyətli açar sözlər. İstifadəçi qərar verib, sadəcə son toxunuş lazımdır. Məhsul səhifələri, qiymət cədvəlləri, pulsuz sınaq (free trial) qeydiyyat formaları burada yer almalıdır.

Prioritetləşdirmə Düsturu

Resurslarınızı düzgün bölüşdürmək üçün hansı məzmunun birinci yazılacağını müəyyən etməlisiniz. Bunun üçün aşağıdakı sadə, lakin effektiv prioritetləşdirmə düsturundan istifadə edə bilərsiniz:

Prioritet Balı = (Axtarış Həcmi * Niyyət Dəyəri) / Açar Söz Çətinliyi

Burada:

• Axtarış Həcmi (Search Volume): Aylıq axtarış sayı.
• Niyyət Dəyəri (Intent Value): Tranzaksiya üçün 1.0, Kommersiya üçün 0.8, İnformasiya üçün 0.4, Naviqasiya üçün 0.2 xal verilir.
• Açar Söz Çətinliyi (Keyword Difficulty): 1 ilə 100 arasında rəqəm.

Yüksək Prioritet Balı olan mövzular sizə ən qısa zamanda ən yüksək ROI (Return on Investment) gətirəcək məzmunlardır.

---

Gələcəyə Baxış: Agentik SEO və Avtonom Məzmun Strategiyaları#

Süni intellektin inkişafı ilə SEO sahəsi sadəcə açar söz analizi mərhələsini deyil, həm də bütöv bir avtonom iş axınını əhatə etməyə başlayır. Gələcəkdə Agentik SEO (Agentic SEO) sistemləri real zamanlı olaraq axtarış nəticələrini (SERP) skan edəcək, rəqiblərin məzmun boşluqlarını tapacaq, yerli LLM-lər vasitəsilə niyyət analizini edib avtomatik olaraq yeni məzmun planları hazırlayacaqlar.

"Süni intellekt SEO mütəxəssislərini əvəz etməyəcək, lakin süni intellektdən istifadə edən SEO mütəxəssisləri digərlərini əvəz edəcək."

Bu səbəbdən, Python və LLM inteqrasiyalarını indidən öyrənmək və iş proseslərinə tətbiq etmək rəqabətdə öndə qalmağın yeganə yoludur.

---

Nəticə və Konkret Tövsiyələr#

Axtarış niyyətinin LLM-lər vasitəsilə avtomatlaşdırılmış analizi sizə həm vaxta qənaət etməyə, həm də insan gözündən qaçan semantik əlaqələri tapmağa imkan verir. Bu texnologiyanı tətbiq etmək üçün növbəti addımlarınız aşağıdakılar olmalıdır:

1. Lokal AI Alətlərini Sınaqdan Keçirin: Kompüterinizə Ollama quraşdırın və Llama 3 və ya Mistral modelləri ilə ilk testlərinizi edin.
2. Açar Söz Bazasını Təmizləyin: Mövcud açar söz siyahılarınızı Python skriptindən keçirərək niyyətlərinə görə qruplaşdırın.
3. Məzmun Boşluqlarını (Content Gap) Analiz Edin: Saytınızdakı mövcud məzmunun hansı niyyətlərə xidmət etdiyini yoxlayın. Əgər bütün məzmununuz informational (bloq) xarakterlidirsə, təcili olaraq commercial və transactional səhifələr yaradın.
4. Daim Monitorinq Aparın: Google-un alqoritmləri dəyişdikcə bəzi açar sözlərin niyyətləri də dəyişə bilər. Bu səbəbdən təsnifat prosesini rüblük olaraq təkrarlayın.