BERT-algoritmen: så lärde sig Google att läsa språk i sitt sammanhang

BERT är en neural nätverksteknik för språkbehandling som Google introducerade i sökningen i oktober 2019. Namnet står för Bidirectional Encoder Representations from Transformers, och tekniken hjälper sökmotorn att förstå hela sammanhanget kring orden i en fråga genom att titta på orden före och efter varje ord. Vid lanseringen sa Google att BERT skulle förbättra en av tio engelskspråkiga sökningar i USA, det största språkliga steget sedan RankBrain.

BERT är inte en bestraffning eller en justering som man kan lura. Det är en förbättring av förståelsen som gör att Google kan tolka rörig, samtalsnära formulering på samma sätt som en människa. För den som skriver innehåll innebär förändringen att tydligt, naturligt språk belönas, medan nyckelordstrick som struntar i betydelsen tyst straffas.

Vad är BERT-algoritmen?

BERT är tre saker samtidigt: en del av Google Sök, ett ramverk för forskning med öppen källkod och ett allmänt verktyg för språkbehandling. Google släppte den som öppen källkod 2018 och införde den i sökningen året efter. Dess uppgift är att modellera hur orden i en mening hänger ihop, så att sökmotorn kan läsa en fråga som en sammanhängande tanke i stället för en påse nyckelord.

Genombrottet är förståelsen av sammanhang. Tidigare system behandlade ofta varje ord för sig eller läste text åt ett enda håll. BERT bearbetar ett ord i relation till alla andra ord runt omkring, vilket gör att den kan avgöra vilken betydelse som gäller, lösa upp pronomen och märka när ett litet ord som en preposition ändrar hela innebörden i en fråga.

Så fungerar BERT: dubbelriktade transformatorer

B:et i BERT står för bidirectional, dubbelriktad. Äldre språkmodeller som Word2Vec läste text åt ett håll, från vänster till höger eller tvärtom, genom ett begränsat fönster. BERT läser hela meningen på båda sidor om ett ord samtidigt, vilket ger en mycket rikare bild av sammanhanget. Det är den viktigaste idén bakom dess träffsäkerhet.

T:et står för transformers, den transformatorarkitektur som driver de flesta moderna språkmodeller. BERT tränas med en metod som kallas maskerad språkmodellering: den döljer vissa ord och lär sig förutsäga dem utifrån den omgivande texten, vilket tvingar fram en djup modell av hur språket hänger ihop. Förträningen, en form av maskininlärning, ger BERT dess allmänna grepp om betydelse.

BERT i praktiken: exemplen med trottoarkant och visum

Google illustrerade BERT med två numera kända sökningar. För sökningen 2019 brazil traveler to usa need a visa missade det gamla systemet ordet to och gav sidor om amerikanska medborgare som reser till Brasilien. BERT förstod att prepositionen vänder på betydelsen och visade rätt information för en brasilian på väg till USA.

Det andra exemplet handlade om att parkera i en backe utan trottoarkant. Tidigare lutade sig Google mot ordet curb och ignorerade no, vilket gav motsatsen till vad sökaren ville ha. BERT hanterade negationen korrekt. Båda fallen visar styrkan i längre, mer samtalsnära frågor och i sökningar där prepositioner som for och to bär betydelsen.

BERT kontra RankBrain

BERT var den största förändringen i Sök sedan RankBrain lanserades ungefär fem år tidigare, och de två arbetar tillsammans snarare än mot varandra. RankBrain justerar hur Google tolkar frågor och finjusterar resultaten utifrån användarbeteende, och lär sig mönster över tid. Det var Googles första stora användning av artificiell intelligens för att förstå sökningar.

BERT är mer specialiserad. Den fokuserar på frågans språkliga struktur och analyserar hur orden kombineras för att bilda avsikt. Där RankBrain lär sig av interaktioner över många sökningar ger BERT djup språkförståelse åt den enskilda fråga som ligger framför den. Båda ingår i en större familj av system som för Google mot verklig semantisk sökning.

Var BERT används i Sök

BERT verkar både på frågesidan och på resultatsidan. Den hjälper Google att tolka vad en sökare faktiskt menar, vilket spelar störst roll för naturlig, talspråksliknande formulering. Den förbättrar också utvalda utdrag, där Google rapporterade att BERT användes i över tjugo länder med tydliga vinster för språk som koreanska, hindi och portugisiska.

Eftersom BERT förbättrar hur sökmotorn läser sökavsikt, belönar den sidor som svarar tydligt på verkliga frågor. Den flyttade Sök bort från bokstavlig nyckelordsmatchning och mot att matcha betydelsen bakom en fråga, vilket är varför innehåll som behandlar ett ämne grundligt presterar bättre än innehåll som är fullt av exakta fraser.

Kan du optimera för BERT?

Inte direkt, och det är poängen. Google har varit tydligt med att det inte finns något att optimera för: BERT är ett ramverk för språkförståelse, inte en rankningsfaktor. Det officiella rådet är helt enkelt att skriva naturligt, eftersom BERT hjälper Google att förstå innehåll som redan är välskrivet i stället för att belöna någon särskild formatering.

I praktiken handlar det om tydlighet och om sökarens behov. Sidor med välskriven, samtalsnära text som verkligen besvarar frågor tenderar att gynnas, medan nyckelordsfyllnad utan sammanhang kan tappa mark. Att anpassa texten efter verkliga frågor från användare, med stöd av god sökordsanalys och innehållsplanering, är det mest pålitliga sättet att hålla sig på rätt sida om system för språkförståelse.

Varför BERT spelar roll för SEO och GEO

För SEO bekräftade BERT en gammal linje: skriv för människor först. Den gjorde betydelse, struktur och tydlighet till valutan i sökningen i stället för exakta nyckelord, och förstärkte värdet av hjälpsamt innehåll som tillfredsställer avsikten. Tunna eller manipulativa sidor blev lättare för Google att genomskåda.

För generativ sökmotoroptimering (GEO) är BERT en tidig föregångare till systemen som nu driver AI-sökning. Samma tvåriktade, transformatorbaserade språkförståelse ligger bakom de stora språkmodellerna i assistenter som ChatGPT, Perplexity och Gemini. Innehåll som är tydligt nog för att BERT ska förstå är också innehåll som dessa LLM-system kan tolka, lita på och citera, vilket gör ett bra språk till en gemensam grund för både sökning och AI-synlighet.

Slutsats

BERT markerade ögonblicket då Google lärde sig läsa en fråga i sitt sammanhang, med dubbelriktade transformatorer som väger varje ord mot dess grannar. Den förbättrade en av tio engelskspråkiga sökningar vid lanseringen, skärpte utvalda utdrag och flyttade SEO tydligt mot naturligt, avsiktsdrivet skrivande. Det finns inget trick för att optimera för den, bara disciplinen att besvara verkliga frågor tydligt.

För att gå vidare, koppla detta till språkbehandling och semantisk sökning, och använd Soranks verktyg för sökordsanalys och innehållsplanering för att träffa de frågor folk faktiskt ställer. Källor: Google Blog, Search Engine Journal och Search Engine Land.