Как разметить поисковые запросы по интенту с помощью ChatGPT

ChatGPT может быстро разложить готовый список запросов по намерениям: узнать, сравнить, купить или найти конкретный сайт. Самая полезная настройка промпта — разрешить модели оставить неоднозначную строку без окончательного решения. Тогда одно слово «кофемашина» не превращается по умолчанию в готовое задание на коммерческую страницу.

В нашем примере модель обработала 16 учебных запросов, сохранила все ID и исходные формулировки, нашла точный дубль и пометила три строки для проверки. Но принадлежность к ассортименту пришлось разбирать отдельно: запрос об очистке кофемашины может быть полезен магазину, даже если не ведёт прямо к покупке.

Что означает интент и зачем его отделять от темы

Тема отвечает на вопрос «о чём запрос», интент — «что человек хочет сделать». «Как очистить кофемашину» и «купить таблетки для очистки кофемашины» относятся к уходу за техникой. В первом случае нужен ответ с инструкцией, во втором — товар и возможность покупки. Одного общего слова недостаточно, чтобы направить оба запроса на одну страницу.

Для упражнения используем пять меток. Информационная означает поиск объяснения или решения вопроса. Коммерческая — выбор, сравнение или оценку стоимости. Транзакционная — явно выраженное действие покупки или заказа. Навигационная — поиск определённого сайта. Метка ambiguous остаётся для случая, когда текст не даёт уверенного ответа или допускает конкурирующие цели.

Это рабочая схема разметки списка, а не универсальный словарь всех поисковых ситуаций. Сначала определите, какие категории нужны именно вашей команде, и напишите их в запросе. Если попросить просто «разбить по интенту», модель может в разных ответах использовать разные названия для одной и той же задачи.

Подготовьте исходник с постоянными ID

Учебный магазин продаёт новые кофемашины для дома и офиса. Он не ремонтирует технику, не сдаёт её в аренду, не продаёт кофе и средства ухода. Этот контекст помогает отделить вид намерения от соответствия ассортименту.

Каждому запросу присвоен ID от Q01 до Q16. Даже у двух одинаковых формулировок разные номера: Q02 и Q12 — «лучшая кофемашина для офиса». Такая пара проверяет, умеет ли модель отметить дубль, не потеряв исходную строку. В настоящей таблице строки могут иметь разные источники, даты или регионы; удалять их до проверки бывает неудобно.

Сохраните формулировки как есть. На этом шаге не нужно исправлять регистр, добавлять слова и «улучшать» запросы. Иначе после разметки станет трудно установить, что пришло из исходника, а что придумала модель.

Промпт для разметки запросов

Скопируйте следующий блок и замените описание магазина своим контекстом. Полный учебный список приложен в текстовом исходнике.

Разметь поисковые запросы для магазина, который продает новые
кофемашины для дома и офиса. Магазин не ремонтирует технику,
не сдает ее в аренду, не продает кофе, аксессуары и средства ухода.
Результат — предварительная редакторская разметка по тексту
запроса, без выдуманной поисковой выдачи или частотности.

Для каждого ID сохрани исходный запрос дословно и верни CSV:
id,query,intent,scope,duplicate_of,needs_review,reason.

intent: informational — узнать или решить вопрос;
commercial — выбор, сравнение, оценка цены;
transactional — явное действие покупки, заказа или аренды;
navigational — найти конкретный сайт;
ambiguous — из слов нельзя надежно выбрать.

scope: in/out/uncertain относительно ассортимента магазина.
Если intent неясен, ставь ambiguous и needs_review=yes.
Если несколько целей конкурируют, направь на проверку.
Дубликаты не удаляй. Каждая строка сохраняет ID;
повтор указывает ID первой точной копии в duplicate_of.
Никаких новых запросов, объединения строк и готовых SEO-кластеров.

После инструкции вставьте строки вида Q01|как очистить кофемашину от накипи. Разделитель помогает отличить ID от текста. Для такого небольшого списка достаточно обычного текстового поля; загружать файл или подключать API не требуется.

Что получилось на 16 строках

Запуск выполнен в ChatGPT Plus с уровнем рассуждения «Средний». В первом ответе получены 16 строк с 16 уникальными ID. Ни один исходный запрос не изменился. Точная копия Q12 осталась отдельной строкой со ссылкой duplicate_of=Q02.

Сочетание навигационной метки и needs_review=yes у Q10 выглядит разумно: в запросе есть название площадки, но возможны и поиск её раздела, и выбор товара. Модель не стала скрывать эту неопределённость за уверенным ярлыком.

На заранее подготовленной редакторской шкале все 16 меток намерения попали в допустимые варианты. Для спорных Q10 и Q14 шкала допускала больше одного объяснимого решения. Этот результат относится к конкретному списку и не превращает субъективные пограничные случаи в объективные факты о поведении всех пользователей.

Почему «не продаём» не означает «не нужно сайту»

В колонке scope модель отметила инструкцию по очистке как out, сославшись на то, что магазин не продаёт средства ухода и не обслуживает технику. С точки зрения прямого соответствия товарному ассортименту это объяснимо. Но из этого не следует, что магазину не нужна статья об уходе за купленной кофемашиной.

Аналогичная граница есть у запросов «почему кофемашина не наливает кофе» и «скачать инструкцию delonghi magnifica». Пользователь может уже владеть техникой; это не прямое намерение купить новую. Однако магазин иногда помогает таким читателям через поддержку, инструкции и сопутствующий контент.

Поэтому перед рабочим применением уточните, что означает scope. Если задача — товарная реклама, можно оценивать прямую связь с продаваемыми категориями. Если задача — контент-план, добавьте отдельную колонку «роль для сайта»: продажа, помощь покупателю, поддержка, чужая площадка или вне бизнеса. Не удаляйте информационные строки только по первому out.

Ещё одна полезная строка — «лучшая кофемашина для кофейни». Модель отнесла её к коммерческому интенту и вне ассортимента для дома и офиса. Проверяющему остаётся уточнить реальные товарные границы: продаёт ли магазин подходящие профессиональные модели. Сам запрос этого не устанавливает.

Как проверить ответ перед переносом в таблицу

Начните с механической сверки: вход и выход содержат одинаковое число строк, каждый ID встречается ровно один раз, формулировки совпадают дословно. Затем проверьте колонку duplicate_of: ссылка должна вести на существующую более раннюю точную копию, а не на просто похожий запрос.

Дальше откройте строки needs_review=yes и короткие формулировки без явного действия. Среди них чаще всего придётся выбирать между несколькими задачами. Не просите модель любой ценой убрать неопределённость — так легко получить аккуратную, но необоснованную таблицу.

Последним проверьте бизнес-контекст. Запрос на аренду остаётся транзакционным, даже если ваш магазин не сдаёт технику. Намерение пользователя и пригодность для конкретного сайта — разные колонки. Смешивание этих признаков делает разметку менее полезной.

Что делать после разметки

Такую таблицу удобно использовать для первичной сортировки и постановки вопросов редактору. По ней видно, где нужен товарный раздел, где — объяснение, а где — ручной разбор. Полный исходный CSV ответа позволяет проверить каждую строку примера.

Для решения, какие запросы объединять на одной странице, нужны дополнительные основания: поисковая выдача, типы ранжирующихся страниц и структура самого сайта. Предварительная метка намерения не заменяет эту работу. И модель не измеряет частотность только потому, что уверенно назвала интент.

Практический результат промпта — сохранённый список с понятными ярлыками и явной очередью на проверку. Когда ID, дубли и спорные случаи остаются видимыми, человек может принять решение по каждой строке, не восстанавливая исходник из догадок.