تعرّف إلى دور NLP في بحث Google والذكاء الاصطناعي: الكيانات، البروز، التضمينات، تدقيق صفحة في 6 خطوات مع الكود، قواعد الكتابة والأخطاء التي يجب تجنبها.

في هذه الصفحة
باختصار
يعني NLP SEO كتابة الصفحات وهيكلتها بحيث تفهم النماذج اللغوية التي يستخدمها Google ومساعدو الذكاء الاصطناعي بدقة موضوع صفحتك: ما الكيانات التي تغطيها، وما السؤال الذي يجيب عنه كل مقطع، وكيف ترتبط ببقية موقعك. عمليًا، تمرّر نصك عبر الأدوات نفسها (استخراج الكيانات، التصنيف، التضمينات)، وتصحح ما تسيء الآلة قراءته، وتعيد كتابة الجمل لتصبح الموضوع الرئيسي وخصائصه وإجاباته صريحة. ليست حيلة جديدة للتصدر: إنها طريقة لإزالة الغموض، والغموض هو ما يكلّفك الترتيب والاستشهادات في إجابات الذكاء الاصطناعي.
هل تريد التعمق أكثر؟ اسأل
اختبار سريع
هل السيو مناسب لك، وكيف تبدأ؟
Sorank يناسب إجاباتك
جرّبه 3 أيام على موقعك واعرف أين تقف في Google وChatGPT وأدوات الذكاء الاصطناعي الأخرى.
ابدأ تجربة مجانية لمدة 3 أيام3 أيام مجانًا، ثم توقف متى شئت. ضمان النتائج لمدة 90 يومًا، تطبق الشروط.
معالجة اللغة الطبيعية (NLP) هي فرع الذكاء الاصطناعي الذي يحوّل النص البشري إلى بيانات يمكن للآلة أن تستدل بها: كلمات، وجمل، وكيانات، وعلاقات، ومعانٍ. إن أردت التعريف العام أولًا، فاقرأ مدخل المعجم لدينا حول معالجة اللغة الطبيعية. أما في SEO فالتعريف المهم أضيق: معالجة اللغة الطبيعية هي الطريقة التي يقرر بها محرك البحث معنى صفحتك قبل أن يقرر أين يرتّبها.
لذلك يتكوّن NLP SEO من ثلاث طبقات. تحتاج إليها الثلاث لتحصل على نتائج.
ما ليس NLP SEO: ليس حشو قائمة من "كلمات NLP" في الصفحة، وليس مطاردة درجة في أداة محتوى. يقولها Google صراحة في دليله حول إنشاء محتوى مفيد وموثوق يضع الناس أولًا: إن كنت تكتب لعدد كلمات معيّن لأنك سمعت أن Google يفضّل عددًا ما، فالجواب هو "لا، لا نفضّل". المنطق نفسه ينطبق على قوائم المصطلحات. الهدف أن تُفهَم، لا أن تبدو محسّنًا.
لماذا غيّر فهم اللغة قواعد SEO
المصادر: Google، Pandu Nayak، "Understanding searches better than ever before" (2019) و"MUM: A new AI milestone for understanding information" (2021)
عندما قدّم Google نموذج BERT، شرح Pandu Nayak (زميل Google ونائب رئيس البحث) في الإعلان الرسمي بتاريخ 25 أكتوبر 2019 أن النموذج سيساعد البحث على فهم عملية بحث واحدة من كل 10 عمليات بالإنجليزية في الولايات المتحدة فهمًا أفضل. كان مثاله الاستعلام "2019 brazil traveler to usa need a visa": قبل BERT كانت كلمة "to" تُتجاهل إلى حد كبير، فيعرض Google نتائج عن مواطنين أمريكيين مسافرين إلى البرازيل. بعد BERT صار اتجاه السفر مفهومًا. حرف الجر الواحد هذا يلخّص NLP SEO: الكلمات الصغيرة تحمل معنى، والنماذج صارت تقرؤها. صفحة المعجم لدينا حول خوارزمية BERT تتعمق في النموذج نفسه.
بعد عامين، قدّم Google نموذج MUM في منشور بتاريخ 18 مايو 2021، واصفًا إياه بأنه أقوى من BERT بألف مرة ومدرّب على 75 لغة. كان مثال الاستعلام متنزّهًا صعد جبل Adams ويريد الاستعداد لجبل Fuji في الخريف المقبل: سؤال يتطلب مقارنة كيانين واستنتاج معنى "الاستعداد". اليوم تعمل AI Overviews وChatGPT وPerplexity وGemini بالمبدأ نفسه: تقرأ المقاطع، وتحدد الكيانات، وتجمع الإجابات. صفحتك مادة خام لهذه العملية.
لست بحاجة إلى الرياضيات. تحتاج إلى معرفة الخطوات، لأن كل خطوة موضع يمكن أن تُساء فيه قراءة صفحتك. هذه هي السلسلة بالترتيب الذي ينفّذه به نظام نموذجي.
الخطوات السبع التي تمر بها الآلة لقراءة صفحتك
يربط الجدول أدناه كل مهمة NLP بالخطر الملموس على الصفحة وبالإصلاح الذي تتحكم فيه.
| مهمة NLP | ما تفعله الآلة | مشكلة شائعة في الصفحة | ما تغيّره |
|---|---|---|---|
| إزالة العناصر المتكررة | تفصل المحتوى الرئيسي عن القالب | المقدمة مدفونة بعد 600 كلمة من القوائم والأدوات | ضع الإجابة في الفقرة الأولى من المحتوى الرئيسي، بلغة HTML بسيطة |
| تقسيم الجمل | تقطع النص إلى جمل | نقاط مجتزأة بلا فعل، وجمل من 60 كلمة | فكرة واحدة في كل جملة، وجمل كاملة في القوائم التي تحمل حقائق |
| تحليل التبعية | تحدد الفاعل والفعل والمفعول | الفاعل "هو" أو "هذا" على بعد ثلاث جمل من اسمه | كرر الاسم، وأبقِ الفاعل قريبًا من الفعل |
| التعرف على الكيانات المسماة | تكتشف الأسماء وتصنفها | منتجك مكتوب بخمس طرق مختلفة | اختر اسمًا معتمدًا واحدًا، ولا تستخدم البدائل إلا بعد تقديمها |
| ربط الكيانات | تطابق الأسماء مع مفاهيم معروفة | اسم علامة تجارية ملتبس بلا سياق | أضف الفئة بجوار الاسم ("Sorank، برنامج SEO...") وبيانات منظمة مع sameAs |
| التضمينات | تقارن معنى الاستعلام بمعنى المقطع | المقطع الذي يفترض أن يجيب عام ويصلح لأي صفحة | اكتب مقاطع تعيد مصطلحات السؤال وتقدم إجابة محددة |
| التصنيف | تحدد الموضوعات والنية | صفحة منتج مليئة باستطرادات بأسلوب المدونة | نية واحدة غالبة لكل رابط، ونقل النوايا الأخرى إلى صفحات أخرى |
ملاحظة
لا أحد خارج Google يعرف النماذج الدقيقة المستخدمة في الترتيب. الأدوات في هذا الدليل بدائل تقريبية: تقرأ النص كما تقرؤه النماذج اللغوية الحديثة، لا كما يقرؤه نظام الترتيب في Google. استخدمها لاكتشاف الغموض، لا للتنبؤ بالمراكز.

يمكن قياس خمس إشارات بأدوات مجانية أو رخيصة. كل منها يخبرك بشيء مختلف، ولا أي منها عامل ترتيب بمفرده.
الكيان "شيء" مسمّى: علامة تجارية، منتج، شخص، مكان، مفهوم مثل "تنافس الكلمات المفتاحية". تُرجع واجهة Cloud Natural Language API من Google لكل كيان نوعًا وإشاراته، وفي الإصدار 1 من الواجهة درجة بروز. يصفها مرجع Entity في الإصدار v1 بأنها "درجة البروز المرتبطة بالكيان في النطاق [0، 1.0]". أنواع الكيانات هي UNKNOWN وPERSON وLOCATION وORGANIZATION وEVENT وWORK_OF_ART وCONSUMER_GOOD وOTHER وPHONE_NUMBER وADDRESS وDATE وNUMBER وPRICE.
البروز نسبي إلى المستند: درجات جميع الكيانات في نص واحد تتنافس فيما بينها. لذا القراءة المفيدة هي الترتيب، لا الرقم. إن كانت صفحتك تستهدف "NLP SEO" وكان الكيان الأول "Google"، فالصفحة في نظر الآلة تتحدث أساسًا عن Google. التفاصيل في مدخل المعجم لدينا حول بروز الكيانات.
تحذير: v1 مقابل v2
كائن Entity في الإصدار v2 من Natural Language API لا يضم إلا name وtype وmetadata وmentions وsentiment: لا يوجد حقل salience. إذا عرض درس تعليمي درجات بروز، فهو يستدعي v1. إن بنيت سكربتًا اليوم، فاستدعِ نقطة نهاية v1 صراحة للحصول على البروز، وراجع الوثائق قبل الاعتماد عليه.

تُرجع الطريقة classifyText فئات من تصنيف ثابت (مثل مسار من نوع /Internet & Telecom/Web Services). تشير وثائق Google حول أساسيات Natural Language إلى أن التصنيف يحتاج نصًا من عشرين رمزًا على الأقل. الفائدة في SEO: إذا صُنّفت صفحة موجّهة إلى "برنامج SEO" تحت فئة تسويق عامة، فمفرداتها عامة أكثر من اللازم.
يُرجع تحليل المشاعر درجة من -1.0 (سلبي) إلى 1.0 (إيجابي) وقيمة شدة (magnitude) تقيس مقدار العاطفة في النص. على مستوى المستند تبدأ الشدة من 0.0 وليست مُطبَّعة، لذا قد يُظهر نص طويل بآراء متباينة درجة محايدة وشدة عالية. في SEO تهم المشاعر أساسًا في صفحات المراجعات والمقارنات وقوائم "أفضل X"، حيث يجيب نص مسطّح بلا رأي عن سؤال يطلب رأيًا.
يُرجع التحليل النحوي لكل رمز قسم الكلام والجذر (lemma) والتبعية. يستحق فحصان التنفيذ: كم مرة يكون كيانك الرئيسي فاعلًا نحويًا في الجملة، وكم جملة تبدأ بضمير ("هو"، "هذا"، "هم"). الصفحة التي يكون فيها الكيان الرئيسي فاعلًا في جمل كثيرة صفحة تتحدث عنه، لا حوله.
تحوّل التضمينات المقطع إلى متجه. مقارنة متجه الاستعلام بمتجهات مقاطعك (تشابه جيب التمام) تُظهر المقطع الذي سيختاره نظام الاسترجاع لهذا الاستعلام. هذا أقرب بديل عام لطريقة اختيار مساعدي الذكاء الاصطناعي للجزء الذي يقتبسونه. وهو أيضًا أفضل اختبار لسؤال "هل تجيب هذه الصفحة فعلًا عن السؤال، أم تذكره فقط".
يغطي "NLP SEO" ستة أساليب مختلفة. عادة ما يبيع المورّدون واحدًا منها كأنه المجال كله. إليك كل واحد، ومتى تستخدمه، وأين يتوقف عن العمل.
المبدأ: حدّد الكيانات التي يجب أن تتضمنها إجابة كاملة (الكيان الرئيسي، خصائصه، الكيانات المرتبطة)، وتحقق من أن صفحتك تسميها بوضوح وأن الكيان الرئيسي هو الغالب. متى تستخدمه: في صفحات منتج أو علامة تجارية أو شخص أو مكان أو مفهوم محدد جيدًا. نقاط القوة: يطابق طريقة بناء الرسوم المعرفية وإجابات الذكاء الاصطناعي، ويعالج الغموض من جذوره. الحدود: يغفل استخراج الكيانات المصطلحات المتخصصة والمفاهيم الجديدة، والبروز غير متاح في v2 من واجهة Google. مثال: صفحة حول "Shopify SEO" يظهر فيها "WordPress" كيانًا أول بسبب فقرة مقارنة طويلة: تنتقل الفقرة إلى صفحتها الخاصة وتكسب صفحة Shopify تركيزًا. يغطي دليلنا حول SEO الكيانات الجانب الاستراتيجي.
المبدأ: قارن المصطلحات التي تستخدمها الصفحات المتصدرة بمصطلحاتك، مرجّحة حسب خصوصيتها (TF-IDF)، واملأ الفجوات. هذا ما تفعله معظم أدوات تقييم المحتوى. متى تستخدمه: لاكتشاف موضوعات فرعية نسيتها في صفحة معلوماتية. نقاط القوة: سريع وسهل الشرح للكاتب. الحدود: ينسخ متوسط نتائج البحث، ويكافئ التكرار، ولا يقول شيئًا عن إجابتك عن السؤال. قائمة المصطلحات قائمة تحقق من الموضوعات الفرعية، لا حصة من الكلمات. مثال: الصفحات المتصدرة في "تدقيق SEO التقني" تذكر كلها "ميزانية الزحف" و"canonical" وصفحتك لا تذكرهما: قسمان ناقصان، لا كلمتان ناقصتان.
المبدأ: رمّز الاستعلامات والمقاطع كمتجهات وقِس مدى قربها. متى تستخدمه: للتحقق من أن لكل سؤال مستهدف مقطعًا يجيب عنه بوضوح، ولاكتشاف صفحتين تتنافسان على المعنى نفسه، ولرسم خريطة الروابط الداخلية حسب المعنى. نقاط القوة: يعمل دون كلمات مشتركة، وقريب من طريقة الاسترجاع في إجابات الذكاء الاصطناعي. الحدود: الدرجات تعتمد على النموذج، والدرجة العالية تعني "ضمن الموضوع" لا "صحيح" أو "مفيد". مثال: المقطع الذي يجيب عن "كم يستغرق SEO" يحصل على درجة أقل من فقرة تمهيدية لا علاقة لها: مقطع الإجابة غامض جدًا فيُعاد كتابته مع ذكر المدة الزمنية أولًا.
المبدأ: صنّف الاستعلام (معلوماتي، تجاري، معاملاتي، ملاحي) والشكل الذي يكافئه Google (دليل، قائمة، أداة، صفحة منتج)، ثم طابقه. متى تستخدمه: قبل الكتابة، وعندما لا تترتب صفحة جيدة إطلاقًا. نقاط القوة: يصلح الخطأ الأغلى، أي الشكل الخاطئ. الحدود: توجد نتائج بحث مختلطة، والنية تتغير مع الوقت. راجع مدخل المعجم لدينا حول نية البحث.
المبدأ: استخرج الأسئلة التي يطرحها الناس (People Also Ask، المنتديات، طلبات الذكاء الاصطناعي، تذاكر الدعم لديك) وامنح كل سؤال مقطعًا مستقلًا. متى تستخدمه: للظهور في الذكاء الاصطناعي وفي المقتطفات المميزة. نقاط القوة: ينتج مباشرة مقاطع قابلة للاقتباس. الحدود: قد يفتّت الصفحة إلى أسئلة شائعة بلا عمق إن لم تجمع الأسئلة حسب الموضوع الفرعي.
المبدأ: جمّع الكلمات المفتاحية والصفحات حسب المعنى لتقرر أي صفحة تغطي ماذا، ثم اربطها. متى تستخدمه: على مستوى الموقع، قبل إنتاج المحتوى وعندما تتنافس الصفحات فيما بينها. نقاط القوة: يبني السلطة الموضوعية وبنية نظيفة. الحدود: التجميع حسب تداخل نتائج البحث والتجميع حسب التضمينات يعطيان مجموعات مختلفة، وتحتاج إلى قاعدة للفصل بينهما. يشرح دليلنا حول تجميع الكلمات المفتاحية المقاربتين، ويشرح مدخل الخريطة الموضوعية كيف تحوّل المجموعات إلى خطة.
| الأسلوب | المستوى | الأنسب لـ | الخطر الرئيسي | الأدوات |
|---|---|---|---|---|
| تحسين الكيانات | الصفحة | صفحات المنتجات والعلامات والمفاهيم | اعتبار البروز عامل ترتيب | Google Cloud Natural Language (v1)، spaCy |
| تغطية المصطلحات (TF-IDF) | الصفحة | اكتشاف الموضوعات الفرعية الناقصة | كتابة متوسط نتائج البحث، الحشو | أدوات تقييم المحتوى، Python scikit-learn |
| تشابه التضمينات | المقطع والموقع | جودة الإجابة، التنافس الداخلي، الروابط الداخلية | الخلط بين "ضمن الموضوع" و"جيد" | Sentence Transformers، قواعد البيانات المتجهية |
| تصنيف النية | الاستعلام والصفحة | اختيار الشكل الصحيح | تجاهل نتائج البحث المختلطة | مراجعة يدوية لنتائج البحث، المصنِّفات |
| استخراج الأسئلة | المقطع | استشهادات الذكاء الاصطناعي، المقتطفات | صفحات أسئلة شائعة سطحية | People Also Ask، بحث الطلبات |
| تجميع الموضوعات | الموقع | البنية، السلطة الموضوعية | قواعد تجميع غير متسقة | أدوات التجميع، التضمينات |
تحسين قوائم المصطلحات مقابل تحسين الكيانات والمقاطع
هذه الطريقة التي نوصي بها للبدء: صفحة مهمة واحدة، وبعد ظهر واحد. تحتاج إلى نص الصفحة، وثلاث إلى خمس صفحات منافسة، وإما الأدوات المجانية على الإنترنت أو بضعة أسطر من Python.
تدقيق NLP للصفحة في 6 خطوات
spaCy مكتبة Python مجانية ومفتوحة المصدر. يعمل نموذجها الإنجليزي الصغير على حاسوب محمول في ثوانٍ. يسرد السكربت أدناه أكثر الكيانات تكرارًا وأكثر الفواعل النحوية تكرارًا في صفحتك: القائمة الثانية غالبًا أكثر كشفًا من الأولى.
import spacy
from collections import Counter
nlp = spacy.load("en_core_web_sm") # pip install spacy, then: python -m spacy download en_core_web_sm
text = open("page.txt", encoding="utf-8").read()
doc = nlp(text)
entities = Counter((e.text.lower(), e.label_) for e in doc.ents)
for (name, label), n in entities.most_common(20):
print(f"{n:>3} {label:<12} {name}")
# Who is the subject of your sentences?
subjects = Counter(t.lemma_.lower() for t in doc if t.dep_ in ("nsubj", "nsubjpass"))
print(subjects.most_common(15))
# How many sentences start with a vague pronoun?
vague = [s.text for s in doc.sents if s[0].lower_ in ("it", "this", "that", "they")]
print(len(vague), "sentences start with a pronoun")
اقرأ قائمة الفواعل بعناية. في صفحة عن منتج برمجي، إن غلب "أنت" و"هو" ولم يظهر اسم المنتج فاعلًا أبدًا، فالصفحة تصف أفعالًا دون أن تقول من يؤديها. يمكن إصلاح ذلك في ساعة.

نماذج spaCy العامة لا تحسب البروز. لذلك استدعِ نقطة النهاية analyzeEntities في الإصدار v1 من Google Cloud Natural Language. أنشئ مشروعًا، وفعّل الواجهة، وصادِق عبر سطر أوامر gcloud، ثم أرسل نصك. احفظ متن الطلب هذا باسم request.json:
{
"document": {
"type": "PLAIN_TEXT",
"language": "en",
"content": "Paste the clean main text of your page here."
},
"encodingType": "UTF8"
}
ثم استدعِ نقطة النهاية:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://language.googleapis.com/v1/documents:analyzeEntities"
تسرد الاستجابة الكيانات مع type وsalience وmentions، وعندما يكون الكيان مرتبطًا، كائن metadata قد يحتوي على wikipedia_url وmid (معرّف في Knowledge Graph). الكيان الذي يملك رابط Wikipedia في البيانات الوصفية رُبط بمفهوم معروف، والكيان المهم الذي لا يملكه قد يكون ملتبسًا أو جديدًا جدًا. استبدل analyzeEntities بـ classifyText للحصول على فئات المحتوى. راجع الأسعار والحصص الحالية في Google Cloud قبل تشغيله على مئات الصفحات.
تقارن مكتبة Sentence Transformers معنى السؤال بكل مقطع في صفحتك. النموذج all-MiniLM-L6-v2 صغير وكافٍ لهذا الفحص.
from sentence_transformers import SentenceTransformer, util
model = SentenceTransformer("all-MiniLM-L6-v2")
text = open("page.txt", encoding="utf-8").read()
passages = [p.strip() for p in text.split("\n\n") if len(p.split()) > 25]
questions = [
"what is nlp seo",
"how do I find the entities of my page",
"is entity salience a ranking factor",
]
p_vecs = model.encode(passages, convert_to_tensor=True)
for q in questions:
scores = util.cos_sim(model.encode(q, convert_to_tensor=True), p_vecs)[0]
best = int(scores.argmax())
print(f"{q}\n best score {scores[best]:.2f}: {passages[best][:100]}\n")
نتيجتان تستحقان التصرف. إذا لم يكن أفضل مقطع لسؤال ما هو المقطع الذي كتبته للإجابة عنه، فمقطع إجابتك عام أكثر من اللازم. وإذا كانت أفضل درجة لسؤال أقل بكثير من غيرها، فالصفحة لا تجيب عنه فعلًا. قارن الدرجات بين الأسئلة في الصفحة نفسها، لا مع عتبة مطلقة: القيم تعتمد على النموذج.

نصيحة
لا تستخدم Python؟ أداتنا المجانية LLM Readability Checker تقيّم قابلية الصفحة للاستخراج بالذكاء الاصطناعي، وHeading Structure Analyzer يُظهر ما إذا كانت عناوين H2 وH3 تعلن الأسئلة التي تجيب عنها مقاطعك.
معظم مشكلات NLP تُحل في الكتابة، لا في أداة. هذه القواعد مستمدة مباشرة من سلسلة المعالجة أعلاه: كل واحدة تزيل خطوة يمكن أن تخطئ فيها الآلة.
استخدم الاسم الكامل للكيان الرئيسي فاعلًا في الجملة الأولى من كل قسم. تجنّب بدء الفقرة بـ "هو" أو "هذا". الضمائر مقبولة داخل الفقرة، ما دام الاسم قريبًا.
التعريف الذي يذكر الفئة (Y) والسمة المميزة (Z) أسهل بنية يستخرجها النموذج ويقتبسها مساعد الذكاء الاصطناعي. جملة "بروز الكيان درجة من 0 إلى 1 تقيس مدى مركزية الكيان في نص ما" أفضل من ثلاث جمل من السياق.
يجب أن تكون الأسعار والتواريخ والأحجام والتوافقات والحدود بجوار الكيان الذي تصفه. جملة "يتتبع Sorank الظهور في ChatGPT وGemini وClaude وPerplexity" حقيقة واحدة قابلة للاستخراج. المعلومة نفسها موزعة بين عنوان ونقطة وحاشية هي ثلاث شظايا.
اختر اسمًا واحدًا لكل منتج وميزة ومفهوم. قدّم المرادف مرة واحدة ("query fan-out، أي الطريقة التي يقسم بها مساعدو الذكاء الاصطناعي السؤال إلى عدة عمليات بحث") ثم التزم بصيغة واحدة.
تحت عنوان يطرح سؤالًا، تعطي الجملة الأولى الإجابة. وبقية المقطع تعطي الشروط والمثال والاستثناءات. هذا ما يجعل المقطع مستقلًا بذاته.
فقرة واحدة قبل إعادة كتابة NLP وبعدها
جملة "بعد" توضيح للبنية، لا وصف لمنتج حقيقي: كيّف الخصائص مع ما تقدمه صفحتك فعلًا.
معالجة اللغة الطبيعية بلغة Python لتحسين SEO الدلالي تعني تشغيل النوع نفسه من نماذج التضمين المستخدم في اختبار المقاطع أعلاه، ولكن على قوائم كاملة: كلماتك المفتاحية وصفحات موقعك. يجيب سكريبتان قصيران عن أسئلة لا يستطيع فحص صفحة واحدة الإجابة عنها. أي الكلمات المفتاحية تنتمي إلى الصفحة نفسها؟ وأي صفحاتك تتنافس على المعنى نفسه؟ يعمل الاثنان على جهازك دون تكلفة، وينتجان مرشحين لتراجعهم، لا أحكامًا نهائية.
ثبّت المكتبات في بيئة افتراضية، حتى لا تتعارض مع مشاريع Python الأخرى:
python3 -m venv nlp-seo
source nlp-seo/bin/activate
pip install sentence-transformers scikit-learn
يحمّل التشغيل الأول نموذج all-MiniLM-L6-v2 مرة واحدة فقط. بعد ذلك يعمل السكريبتان دون اتصال بالإنترنت.
يحوّل التجميع قائمة الكلمات المفتاحية المسطحة إلى مجموعات يمكن لصفحة واحدة أن تجيب عنها. تتحول كل كلمة مفتاحية إلى متجه، والكلمات التي تكون متجهاتها قريبة وفق مسافة جيب التمام تقع في المجموعة نفسها. احفظ كلماتك المفتاحية في ملف نصي، كلمة في كل سطر، ثم شغّل هذا السكريبت:
from sentence_transformers import SentenceTransformer
from sklearn.cluster import AgglomerativeClustering
from collections import defaultdict
keywords = [line.strip() for line in open("keywords.txt", encoding="utf-8") if line.strip()]
model = SentenceTransformer("all-MiniLM-L6-v2")
vectors = model.encode(keywords, normalize_embeddings=True)
labels = AgglomerativeClustering(
n_clusters=None,
distance_threshold=0.35, # مسافة جيب التمام: القيم الأقل تعطي مجموعات أكثر صرامة
metric="cosine",
linkage="average",
).fit_predict(vectors)
groups = defaultdict(list)
for label, keyword in zip(labels, keywords):
groups[label].append(keyword)
for label, members in sorted(groups.items(), key=lambda g: -len(g[1])):
print(f"Group {label} ({len(members)} keywords)")
for keyword in members:
print(" ", keyword)
العتبة هي الإعداد الأهم. ابدأ بالقيمة 0.35 واقرأ النتائج. إذا شاركت كلماتٌ لا علاقة بينها المجموعةَ نفسها، فاخفضها. وإذا توزعت فكرة صفحة واحدة على عدة مجموعات، فارفعها. يقلل الربط المتوسط (average linkage) ظاهرة التسلسل، أي أن تنضم سلسلة من الكلمات المرتبطة بشكل فضفاض إلى مجموعتين غير مترابطتين.
يقارن السكريبت الثاني صفحاتك ببعضها. ضع صفًا واحدًا لكل صفحة في ملف مفصول بعلامة تبويب (Tab) مع سطر للعناوين، واستخدم العمودين url وtitle. العناوين مؤشر تقريبي، لذا لاختبار أدق، ألصق الفقرة الأولى من كل صفحة في عمود العنوان.
import csv
from sentence_transformers import SentenceTransformer, util
with open("pages.tsv", encoding="utf-8") as f:
rows = [(r["url"], r["title"]) for r in csv.DictReader(f, delimiter="\t")]
model = SentenceTransformer("all-MiniLM-L6-v2")
vectors = model.encode([title for _, title in rows], convert_to_tensor=True)
sims = util.cos_sim(vectors, vectors)
for i in range(len(rows)):
for j in range(i + 1, len(rows)):
score = float(sims[i][j])
if score > 0.8: # نقطة انطلاق: عدّلها بعد قراءة النتائج
print(f"{score:.2f} {rows[i][0]} vs {rows[j][0]}")
كل زوج مطبوع هو مرشح، لا حكم نهائي. افتح الرابطين واسأل: هل يتوقع القارئ أن تجيب أي من الصفحتين عن سؤال الأخرى؟ إن كان الجواب نعم، فادمج الصفحتين، أو أبقِ إحداهما الصفحة الرئيسية وضيّق تركيز الأخرى. يشرح مدخل تنافس الكلمات المفتاحية كيفية الاختيار.
| السكريبت | المدخل | المخرج | ما تقرره |
|---|---|---|---|
| مجموعات الكلمات المفتاحية | كلمة مفتاحية واحدة في كل سطر | مجموعات من الكلمات تشترك في المعنى نفسه | هل تحتاج كل مجموعة إلى صفحة واحدة أم إلى عدة صفحات |
| الصفحات المتنافسة | عنوان URL والعنوان، أو الفقرة الأولى، لكل صفحة | أزواج صفحات تتجاوز عتبتك | هل تُدمج الصفحتان، أم يُعاد تركيزهما، أم تُحفظان معًا |
ثلاثة حدود مهمة:
هذان السكريبتان هما النظير على مستوى الموقع لاختبار المقطع أعلاه: الأول يخبرك بما ينبغي أن يبقى معًا، والثاني يخبرك أين تتداخل صفحاتك. وإن فضّلت ألا تصون السكريبتات بنفسك، فأداة Topic Cluster Generator من Sorank تنفذ خطوة التجميع مع فحص مدمج ضد تنافس الكلمات المفتاحية.
تقرأ النماذج اللغوية أكثر من فقراتك. ثلاثة عناصر حول النص تحمل إشارات قوية.
ترميز Schema.org لا يجعل الصفحة تتصدر بمفرده، لكنه يذكر بصيغة آلية موضوع الصفحة والمفاهيم المعروفة التي تشير إليها. الخاصيتان about وmentions، مع روابط sameAs إلى صفحات مرجعية، تزيلان الغموض في ربط الكيانات.
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Article",
"headline": "NLP SEO: How Search Engines Read Your Content",
"about": {
"@type": "Thing",
"name": "Natural language processing",
"sameAs": "https://en.wikipedia.org/wiki/Natural_language_processing"
},
"mentions": [
{
"@type": "Thing",
"name": "Search engine optimization",
"sameAs": "https://en.wikipedia.org/wiki/Search_engine_optimization"
}
]
}
</script>
أنشئ ترميزك واختبره بأداتينا المجانيتين Schema Markup Generator وStructured Data Validator.
العناوين أول ما يستخدمه النموذج لتقسيم صفحتك إلى مقاطع. العنوان الذي يسمّي الكيان والسؤال ("كيف يُحسب بروز الكيان") ينتج جزءًا أنظف من عنوان ذكي ("تحت الغطاء"). حافظ على تسلسل H2 وH3 صارمًا: لا H3 بلا H2 أم، ولا مستويات متخطّاة.
نص الرابط من أقدم إشارات NLP في البحث: يخبر المحرك من الخارج بموضوع الصفحة المستهدفة. استخدم نصوص روابط وصفية تسمّي الكيان المستهدف، واربط الصفحات القريبة في المعنى، وتجنّب إرسال نص الرابط نفسه إلى صفحتين مختلفتين. الشرنقة الدلالية أكثر الطرق تنظيمًا لترتيب ذلك، ويشرح دليلنا حول الربط الداخلي المؤتمت كيف توسّعه دون إحداث ضجيج.
يدفع مساعدو الذكاء الاصطناعي منطق NLP إلى أقصاه. لا يرتّبون صفحات كاملة: يسترجعون مقاطع، ويقارنونها بالمعنى مع استعلامات فرعية، ويجمعون إجابة تستشهد أحيانًا بالمصدر. ينتج عن ذلك ثلاث نتائج.
للمنهج الكامل المطبّق على إجابات الذكاء الاصطناعي، راجع دليلنا حول تحسين المحتوى لنماذج LLM.
هذه الأخطاء التي نراها أكثر في المواقع التي ندققها. لكل منها عَرَض يمكنك رصده وإصلاح يمكنك تطبيقه اليوم.
ما هو: إعادة الكتابة حتى تمنح الواجهة كلمتك المفتاحية بروزًا عاليًا، أو حتى تُظهر الأداة درجة خضراء. كيف ترصده: تصبح الصفحة أسوأ قراءةً بعد التحسين، وتظهر العبارة نفسها في كل فقرة. كيف تصلحه: استخدم البروز فقط للتحقق من ترتيب الكيانات، ثم احكم على الصفحة بإجاباتها وبيانات Search Console. لم يقل Google أبدًا إنه يستخدم درجات هذه الواجهة في الترتيب.
ما هو: إضافة "ميزانية الزحف" في جملة لأن خمسة منافسين يذكرونها. كيف ترصده: تظهر المصطلحات مرة واحدة، خارج السياق، بلا شرح. كيف تصلحه: كل كيان ناقص يصبح سؤالًا: هل يحتاج قارئي إليه؟ إن كان نعم، فاكتب مقطعًا، وإن كان لا، فتجاهله.
ما هو: لصق الصفحة كاملة، بما فيها القائمة والتذييل، في أداة NLP. كيف ترصده: الكيانات الأولى لديك هي اسم علامتك أو "ملفات تعريف الارتباط" أو "اتصل بنا" أو فئات التذييل. كيف تصلحه: استخرج متن المقال فقط قبل أي تحليل.
ما هو: اتباع درس تعليمي قديم مع نقطة النهاية الحالية. كيف ترصده: تحتوي استجابة JSON على كيانات وإشارات دون بروز. كيف تصلحه: استدعِ /v1/documents:analyzeEntities للحصول على البروز، وتذكّر أن v1 قد يتغير.
ما هو: فقرات تشير فيها "هو" و"هذا" و"هم" إلى أسماء قبل عدة جمل. كيف ترصده: يعدّ سكربت spaCy أعلاه الجمل التي تبدأ بضمير، وأكثر من جملة من كل خمس في صفحة رئيسية علامة تحذير. كيف تصلحه: أعد ذكر الاسم في بداية كل فقرة وبعد كل عنوان.
ما هو: رابط واحد يحاول تعريف مفهوم ومقارنة أدوات وبيع منتج. كيف ترصده: تترتب الصفحة لاستعلامات كثيرة في المراكز من 15 إلى 40 ولا تدخل أول 5 لأي منها. كيف تصلحه: أبقِ النية الغالبة، وانقل الأخرى إلى صفحات مخصصة، واربطها.
ما هو: حشو الصفحة لبلوغ عدد كلمات أو كثافة كلمة مفتاحية مستهدفة. كيف ترصده: مقدمات مكررة، وفقرات عامة تصلح لأي صفحة. كيف تصلحه: احذف كل مقطع لا يجيب عن سؤال قد يطرحه القارئ. أداتنا Keyword Density Calculator مفيدة بالعكس: لتجد أين تكرر أكثر من اللازم.
ما هو: استخدام اسم علامة أو منتج لا تستطيع الآلة تمييزه عن كلمة شائعة أو شركة أخرى. كيف ترصده: تُرجع الواجهة علامتك كـ OTHER أو CONSUMER_GOOD بلا بيانات وصفية، أو تربطها بمفهوم خاطئ. كيف تصلحه: أضف الفئة بجوار الاسم، واستخدم بيانات Organization أو Product المنظمة مع sameAs نحو ملفاتك الرسمية، وأبقِ الاسم متطابقًا في كل مكان.
قائمة تحقق NLP SEO لصفحة واحدة
لا تحتاج إلى مجموعة أدوات كبيرة. اختر الأدوات حسب السؤال الذي تريد الإجابة عنه.
| الأداة | النوع | ما تخبرك به | المهارة المطلوبة | أفضل استخدام |
|---|---|---|---|---|
| Google Cloud Natural Language | واجهة سحابية (راجع أسعار Google Cloud) | الكيانات، البروز (v1)، الفئات، المشاعر، النحو | متوسطة: مشروع Google Cloud وبضعة أوامر | التحقق من طريقة قراءة نموذج من Google لصفحاتك الرئيسية |
| spaCy | مكتبة Python مفتوحة المصدر | الكيانات، بنية الجمل، الفواعل، الجذور | Python أساسية | تدقيق صفحات كثيرة محليًا، بلا تكلفة |
| Sentence Transformers | مكتبة Python مفتوحة المصدر | التشابه في المعنى بين الاستعلامات والمقاطع | Python أساسية | فحص الإجابات، التنافس الداخلي، خريطة الروابط الداخلية |
| Google Search Console | أداة مجانية من Google | الاستعلامات التي يظهر لها كل رابط فعلًا | لا شيء | قياس أثر إعادة الكتابة |
| أدوات تحسين المحتوى | SaaS | فجوات المصطلحات والكيانات مقارنة بالصفحات المتصدرة | لا شيء | فحص سريع للموضوعات الفرعية قبل الكتابة |
| Sorank | برنامج SEO وGEO يعمل في وضع autopilot | إعادة الكتابة، مجموعات الموضوعات، تتبع الظهور في الذكاء الاصطناعي | لا شيء | تطبيق المنهج على موقع كامل |
لمراجعة مقارنة للخيارات التجارية، اقرأ مقارنتنا حول أفضل أدوات تحسين المحتوى. إن كانت لديك عشرات الصفحات القديمة لإصلاحها، فإن ميزة Content Optimization في Sorank تدقق الصفحات الموجودة وتعيد كتابتها في وضع autopilot، وTopic Cluster Generator يجمّع كلماتك المفتاحية حسب المعنى قبل أن تكتب، مع فحص مدمج ضد التنافس الداخلي.
تغييرات NLP تتعلق بالفهم، لذا قِس الفهم أولًا، ثم الزيارات.
في Google Search Console، صفِّ تقرير الأداء على الرابط المعاد كتابته وعُدّ الاستعلامات المختلفة التي لها ظهورات على مدى 28 يومًا، قبل وبعد. الصفحة المفهومة بشكل أفضل تظهر عادة لمتغيرات طويلة الذيل أكثر خلال أسابيع قليلة، وغالبًا قبل أن تتحرك النقرات.
تابع الأسئلة الخمسة إلى العشرة التي استخدمتها في اختبار المقاطع. إن ارتفعت الظهورات دون أن يتحسن المركز، فالصفحة مفهومة لكنها غير مفضّلة: اعمل على العمق والأمثلة والروابط.
اطرح الطلبات نفسها في ChatGPT وGemini وClaude وPerplexity قبل وبعد، وسجّل ما إذا استُشهد بصفحتك. كرر ذلك شهريًا: إجابات الذكاء الاصطناعي تتغير من تشغيل لآخر، فاختبار واحد لا يثبت شيئًا. لنسخة منظمة من هذا الفحص، نفّذ تدقيق SEO دلاليًا على المجموعة كاملة لا على صفحة واحدة.
اختر الصفحة التي تجلب لك أكبر قدر من الأعمال ونفّذ عليها التدقيق ذا الخطوات الست. أصلح أول مشكلتين تجدهما، وعادة ما تكونان كيانًا رئيسيًا غير غالب ومقطع إجابة غامضًا جدًا. ثم سجّل التاريخ، وراجع استعلاماتها في Search Console بعد أربعة أسابيع.
يعني NLP في SEO جعل محتواك سهل الفهم على النماذج اللغوية: ما الكيانات التي تغطيها الصفحة، وما الأسئلة التي يجيب عنها كل مقطع، وكيف ترتبط الصفحة ببقية الموقع. يستخدم Google نماذج لغوية مثل BERT في البحث منذ 2019، ويعتمد عليها مساعدو الذكاء الاصطناعي بالكامل، لذلك أصبحت الكتابة الواضحة غير الملتبسة عمليًا عاملًا في الترتيب والاستشهاد.
لا يوجد تصريح علني من Google يقول إن درجة البروز في واجهة Cloud Natural Language تُستخدم في الترتيب. الدرجة بديل مفيد للتحقق من أن موضوعك الرئيسي هو الغالب في الصفحة، لكن عليك قراءة ترتيب الكيانات بدل مطاردة رقم. لاحظ أن البروز لا يُرجعه إلا الإصدار 1 من الواجهة.
spaCy وSentence Transformers مكتبتا Python مجانيتان ومفتوحتا المصدر لاستخراج الكيانات وقياس تشابه المقاطع. ثم يُظهر Google Search Console، المجاني أيضًا، ما إذا كانت الصفحة المعاد كتابتها تظهر لاستعلامات أكثر. ويضيف Google Cloud Natural Language البروز والفئات، مع فوترة الاستخدام حسب أسعار Google Cloud.
