Lær, hvordan NLP styrer Google og AI-søgning: entiteter, salience, embeddings, en side-audit i 6 trin med kode, skriveregler og de fejl, du skal undgå.

På denne side
Kort sagt
NLP SEO betyder at skrive og strukturere sider, så de sprogmodeller, som Google og AI-assistenter bruger, forstår præcis, hvad din side handler om: hvilke entiteter den dækker, hvilket spørgsmål hver passage besvarer, og hvordan den hænger sammen med resten af dit website. I praksis kører du din tekst gennem de samme typer værktøjer (entitetsudtræk, klassifikation, embeddings), retter det, maskinen læser forkert, og omskriver sætninger, så hovedemnet, dets egenskaber og svarene bliver tydelige. Det er ikke et nyt trick til at ranke: det er en måde at fjerne tvetydighed på, og det er tvetydighed, der koster dig placeringer og AI-citater.
Vil du vide mere? Spørg
Hurtig quiz
Passer SEO til dig, og hvordan skal du starte?
Sorank matcher dine svar
Test det i 3 dage på dit eget site, og se, hvor du står på Google, ChatGPT og de andre AI'er.
Start prøveperiode på 3 dage3 dage gratis, derefter stopper du, når du vil. 90 dages resultatgaranti, betingelser gælder.
Natural language processing (NLP), sprogteknologi på dansk, er den gren af AI, der omdanner menneskelig tekst til data, som en maskine kan ræsonnere med: ord, sætninger, entiteter, relationer og betydning. Vil du have den generelle definition først, så læs vores ordbogsopslag om natural language processing. For SEO er den relevante definition smallere: NLP er den måde, en søgemaskine afgør, hvad din side betyder, før den afgør, hvor den skal ranke.
NLP SEO har derfor tre lag. Du skal bruge alle tre for at få resultater.
Hvad NLP SEO ikke er: det handler ikke om at proppe en liste med "NLP-søgeord" ind på en side, og det handler ikke om at jagte en score i et indholdsværktøj. Google siger det ligeud i sin guide om at skabe nyttigt, pålideligt indhold til mennesker: hvis du skriver efter et bestemt antal ord, fordi du har hørt, at Google foretrækker det, er svaret "Nej, det gør vi ikke." Den samme logik gælder for termlister. Målet er at blive forstået, ikke at se optimeret ud.
Hvorfor sprogforståelse ændrede SEO
Kilder: Google, Pandu Nayak, "Understanding searches better than ever before" (2019) og "MUM: A new AI milestone for understanding information" (2021)
Da Google introducerede BERT, forklarede Pandu Nayak (Google Fellow og Vice President, Search) i den officielle meddelelse den 25. oktober 2019, at modellen ville hjælpe Søgning med bedre at forstå én ud af 10 engelsksprogede søgninger i USA. Hans eksempel var søgningen "2019 brazil traveler to usa need a visa": før BERT blev ordet "to" stort set ignoreret, og Google viste resultater om amerikanere, der rejser til Brasilien. Efter BERT blev rejsens retning forstået. Den ene præposition er NLP SEO i en nøddeskal: små ord bærer betydning, og modellerne læser dem nu. Vores ordbogsside om BERT-algoritmen går dybere ned i selve modellen.
To år senere præsenterede Google MUM i et indlæg dateret 18. maj 2021 og beskrev den som 1000 gange kraftigere end BERT og trænet på 75 sprog. Eksemplet var en vandrer, der har besteget Mt. Adams og vil forberede sig til Mt. Fuji næste efterår: et spørgsmål, der kræver, at man sammenligner to entiteter og udleder, hvad "forberede sig" betyder. I dag fungerer AI Overviews, ChatGPT, Perplexity og Gemini efter samme princip: de læser passager, afklarer entiteter og samler svar. Din side er råmateriale til den proces.
Du behøver ikke kende matematikken. Du skal kende trinene, fordi hvert trin er et sted, hvor din side kan blive misforstået. Her er kæden i den rækkefølge, et typisk system kører den.
De 7 trin, en maskine går igennem for at læse din side
Tabellen nedenfor kobler hver NLP-opgave til den konkrete risiko på en side og den rettelse, du selv styrer.
| NLP-opgave | Hvad maskinen gør | Typisk problem på en side | Hvad du ændrer |
|---|---|---|---|
| Fjernelse af skabelonindhold | Adskiller hovedindhold fra skabelon | Introduktionen er begravet efter 600 ord menuer og widgets | Sæt svaret i første afsnit af hovedindholdet, i ren HTML |
| Sætningsopdeling | Deler teksten i sætninger | Punktfragmenter uden verbum, sætninger på 60 ord | Én idé pr. sætning, hele sætninger i lister, der bærer fakta |
| Dependensanalyse | Finder subjekt, verbum og objekt | Subjektet er "den" eller "dette", tre sætninger fra sit navneord | Gentag navneordet, hold subjekt og verbum tæt på hinanden |
| Genkendelse af navngivne entiteter | Finder og typebestemmer navne | Dit produkt staves på fem forskellige måder | Vælg ét kanonisk navn, brug kun varianter, når de er introduceret |
| Entitetslinkning | Kobler navne til kendte begreber | Tvetydigt brandnavn uden kontekst | Sæt kategorien ved siden af navnet ("Sorank, SEO-softwaren...") og schema med sameAs |
| Embeddings | Sammenligner betydningen af søgning og passage | Passagen, der burde svare, er generisk og kunne stå på enhver side | Skriv passager, der gentager spørgsmålets termer og giver et specifikt svar |
| Klassifikation | Tildeler emner og intention | En produktside fuld af blogagtige sidespring | Én dominerende intention pr. URL, andre intentioner flyttes til andre sider |
Bemærk
Ingen uden for Google kender de præcise modeller, der bruges i rangeringen. Værktøjerne i denne guide er stedfortrædere: de læser tekst, som moderne sprogmodeller gør, ikke som Googles rangeringssystem gør. Brug dem til at finde tvetydighed, ikke til at forudsige placeringer.

Fem signaler kan måles med gratis eller billige værktøjer. Hvert af dem fortæller noget forskelligt, og ingen af dem er en rangeringsfaktor i sig selv.
En entitet er en navngiven "ting": et brand, et produkt, en person, et sted, et begreb som "søgeordskannibalisering". Googles Cloud Natural Language API returnerer for hver entitet en type, dens omtaler og, i version 1 af API'et, en salience-score (hvor central entiteten er). Referencen for v1 Entity beskriver den som "the salience score associated with the entity in the [0, 1.0] range". Entitetstyperne er UNKNOWN, PERSON, LOCATION, ORGANIZATION, EVENT, WORK_OF_ART, CONSUMER_GOOD, OTHER, PHONE_NUMBER, ADDRESS, DATE, NUMBER og PRICE.
Salience er relativ til dokumentet: scorerne for alle entiteter i en tekst konkurrerer med hinanden. Den nyttige aflæsning er derfor rækkefølgen, ikke tallet. Hvis din side går efter "NLP SEO", og den øverste entitet er "Google", handler siden for en maskine mest om Google. Detaljerne står i vores ordbogsopslag om entity salience.
Advarsel: v1 over for v2
Entity-objektet i v2 af Natural Language API viser kun name, type, metadata, mentions og sentiment: der er intet salience-felt. Hvis en vejledning viser salience-scorer, kalder den v1. Bygger du et script i dag, så kald v1-endpointet eksplicit for salience og tjek dokumentationen, før du stoler på det.

Metoden classifyText returnerer kategorier fra en fast taksonomi (for eksempel en sti som /Internet & Telecom/Web Services). Googles dokumentation om det grundlæggende i Natural Language angiver, at klassifikation kræver en tekst på mindst tyve tokens. Nytten for SEO: hvis en side, der er tænkt til "SEO-software", klassificeres under en generisk marketingkategori, er dens ordforråd for generelt.
Sentimentanalyse returnerer en score fra -1,0 (negativ) til 1,0 (positiv) og en magnitude, der måler, hvor meget følelse teksten bærer. På dokumentniveau starter magnituden ved 0,0 og er ikke normaliseret, så en lang tekst med blandede holdninger kan vise en neutral score og en høj magnitude. For SEO betyder sentiment mest på anmeldelsessider, sammenligninger og "bedste X"-lister, hvor en flad tekst uden holdninger besvarer et spørgsmål, der beder om en holdning.
Syntaksanalyse returnerer hver tokens ordklasse, grundform (lemma) og dependens. To tjek er værd at køre: hvor ofte din hovedentitet er grammatisk subjekt i en sætning, og hvor mange sætninger der starter med et stedord ("Den", "Dette", "De"). En side, hvor hovedentiteten er subjekt i mange sætninger, er en side, der taler om den, ikke uden om den.
Embeddings omdanner en passage til en vektor. Ved at sammenligne vektoren for en søgning med vektorerne for dine passager (cosinuslighed) ser du, hvilken passage et genfindingssystem ville vælge til den søgning. Det er den nærmeste offentlige stedfortræder for, hvordan AI-assistenter vælger det uddrag, de citerer. Det er også den bedste test af, om siden faktisk besvarer spørgsmålet eller bare nævner det.
"NLP SEO" dækker over seks forskellige metoder. Leverandører sælger som regel én af dem, som om den var hele feltet. Her er hver af dem, med hvornår du skal bruge den, og hvor den holder op med at virke.
Princip: identificer de entiteter, et komplet svar skal indeholde (hovedentiteten, dens egenskaber, relaterede entiteter), og tjek, at din side navngiver dem tydeligt, og at hovedentiteten dominerer. Hvornår: på sider om et produkt, et brand, en person, et sted eller et veldefineret begreb. Styrker: den matcher, hvordan vidensgrafer og AI-svar bygges, og den retter tvetydighed ved roden. Begrænsninger: entitetsudtræk overser fagjargon og nye begreber; salience findes ikke i v2 af Googles API. Eksempel: en side om "Shopify SEO", hvor "WordPress" ender som en topentitet på grund af et langt sammenligningsafsnit: afsnittet flyttes til sin egen side, og Shopify-siden får fokus. Vores guide om entitets-SEO dækker den strategiske side.
Princip: sammenlign de termer, de toprangerede sider bruger, med dine, vægtet efter hvor specifikke de er (TF-IDF), og fyld hullerne. Det er, hvad de fleste værktøjer til indholdsscoring gør. Hvornår: til at finde underemner, du har glemt, på en informativ side. Styrker: hurtig og let at forklare for en skribent. Begrænsninger: den kopierer gennemsnittet i søgeresultaterne, belønner gentagelse og siger intet om, hvorvidt du besvarer spørgsmålet. En termliste er en tjekliste over underemner, ikke en kvote af ord. Eksempel: topsiderne for "teknisk SEO-audit" nævner alle "crawl budget" og "canonical"; din gør ikke: to manglende afsnit, ikke to manglende ord.
Princip: kod søgninger og passager som vektorer og mål, hvor tæt de ligger. Hvornår: til at tjekke, at hvert målspørgsmål har én passage, der tydeligt besvarer det, til at opdage to sider, der konkurrerer om samme betydning, og til at kortlægge interne links efter betydning. Styrker: virker uden fælles ord og ligger tæt på, hvordan genfinding til AI-svar fungerer. Begrænsninger: scorerne afhænger af modellen; en høj score betyder "inden for emnet", ikke "korrekt" eller "nyttig". Eksempel: passagen, der besvarer "hvor lang tid tager SEO", scorer lavere end et urelateret introduktionsafsnit: svarpassagen er for vag og omskrives med tidslinjen først.
Princip: klassificer søgningen (informativ, kommerciel, transaktionel, navigationel) og det format, Google belønner (guide, liste, værktøj, produktside), og match det. Hvornår: før du skriver, og når en god side slet ikke ranker. Styrker: retter den dyreste fejl, det forkerte format. Begrænsninger: blandede søgeresultater findes; intentionen ændrer sig over tid. Se vores ordbogsopslag om søgeintention.
Princip: indsaml de spørgsmål, folk stiller (Andre spørger også om, fora, AI-prompts, dine supporthenvendelser), og giv hvert af dem en selvstændig passage. Hvornår: til AI-synlighed og fremhævede uddrag. Styrker: giver direkte passager, der kan citeres. Begrænsninger: kan opsplitte en side til en FAQ uden dybde, hvis du ikke grupperer spørgsmålene efter underemne.
Princip: grupper søgeord og sider efter betydning for at afgøre, hvilken side der dækker hvad, og link dem derefter. Hvornår: på websiteniveau, før du producerer indhold, og når sider kannibaliserer hinanden. Styrker: bygger emneautoritet og en ren arkitektur. Begrænsninger: klynger efter overlap i søgeresultater og klynger efter embeddings giver forskellige grupper; du har brug for en regel til at afgøre det. Vores guide om søgeordsklynger beskriver begge tilgange, og opslaget om topical map forklarer, hvordan du gør klynger til en plan.
| Metode | Niveau | Bedst til | Største risiko | Værktøjer |
|---|---|---|---|---|
| Entitetsoptimering | Side | Produkt-, brand- og begrebssider | At behandle salience som en rangeringsfaktor | Google Cloud Natural Language (v1), spaCy |
| Termdækning (TF-IDF) | Side | At finde manglende underemner | At skrive søgeresultaternes gennemsnit, overoptimering | Værktøjer til indholdsscoring, Python scikit-learn |
| Embeddinglighed | Passage og website | Svarkvalitet, kannibalisering, interne links | At forveksle "inden for emnet" med "godt" | Sentence Transformers, vektordatabaser |
| Intentionsklassifikation | Søgning og side | At vælge det rigtige format | At ignorere blandede søgeresultater | Manuel gennemgang af søgeresultater, klassifikatorer |
| Spørgsmålsudvinding | Passage | AI-citater, uddrag | Overfladiske FAQ-sider | Andre spørger også om, promptanalyse |
| Emneklynger | Website | Arkitektur, emneautoritet | Inkonsekvente klyngeregler | Klyngeværktøjer, embeddings |
Optimering med termlister over for entiteter og passager
Det er den metode, vi anbefaler til at komme i gang: én vigtig side, én eftermiddag. Du skal bruge sidens tekst, tre til fem konkurrerende sider og enten de gratis onlineværktøjer eller nogle få linjer Python.
NLP-audit af en side i 6 trin
spaCy er et gratis Python-bibliotek med åben kildekode. Dets lille engelske model kører på en bærbar computer på få sekunder. Scriptet nedenfor viser de hyppigste entiteter og de hyppigste grammatiske subjekter på din side: den anden liste siger ofte mere end den første.
import spacy
from collections import Counter
nlp = spacy.load("en_core_web_sm") # pip install spacy, derefter: 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}")
# Hvem er subjekt i dine sætninger?
subjects = Counter(t.lemma_.lower() for t in doc if t.dep_ in ("nsubj", "nsubjpass"))
print(subjects.most_common(15))
# Hvor mange sætninger starter med et vagt stedord?
vague = [s.text for s in doc.sents if s[0].lower_ in ("it", "this", "that", "they")]
print(len(vague), "sætninger starter med et stedord")
Læs listen over subjekter grundigt. På en side om et softwareprodukt, hvor "du" og "den" dominerer, og produktnavnet aldrig optræder som subjekt, beskriver siden handlinger uden at sige, hvem der udfører dem. Det kan rettes på en time.

spaCys generelle modeller beregner ikke salience. Til det kalder du endpointet analyzeEntities i v1 af Google Cloud Natural Language. Opret et projekt, aktivér API'et, log ind med kommandolinjen gcloud, og send derefter din tekst. Gem denne forespørgsel som request.json:
{
"document": {
"type": "PLAIN_TEXT",
"language": "en",
"content": "Indsæt sidens rene hovedtekst her."
},
"encodingType": "UTF8"
}
Kald derefter endpointet:
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"
Svaret viser entiteter med deres type, salience, mentions og, når entiteten er linket, et metadata-objekt, der kan indeholde en wikipedia_url og et mid (en identifikator i Knowledge Graph). En entitet med en Wikipedia-URL i metadata er blevet koblet til et kendt begreb; en vigtig entitet uden en kan være tvetydig eller for ny. Erstat analyzeEntities med classifyText for at få indholdskategorierne. Tjek de aktuelle priser og kvoter i Google Cloud, før du kører det på hundredvis af sider.
Biblioteket Sentence Transformers sammenligner betydningen af et spørgsmål med hver passage på din side. Modellen all-MiniLM-L6-v2 er lille og god nok til dette tjek.
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 bedste score {scores[best]:.2f}: {passages[best][:100]}\n")
To udfald kræver handling. Hvis den bedste passage for et spørgsmål ikke er den, du skrev for at besvare det, er din svarpassage for generisk. Hvis den bedste score for et spørgsmål ligger langt under de andre, besvarer siden det ikke rigtigt. Sammenlign scorer mellem spørgsmål på samme side, ikke med en absolut tærskel: værdierne afhænger af modellen.

Tip
Ingen Python? Vores gratis LLM Readability Checker scorer en side til AI-udtræk, og Heading Structure Analyzer viser, om dine H2 og H3 annoncerer de spørgsmål, dine passager besvarer.
De fleste NLP-problemer løses i skrivningen, ikke i et værktøj. Reglerne kommer direkte fra kæden ovenfor: hver af dem fjerner et trin, hvor en maskine kan tage fejl.
Brug hovedentitetens fulde navn som subjekt i første sætning i hvert afsnit. Undgå at åbne et afsnit med "Den" eller "Dette". Stedord er fine inde i et afsnit, når navneordet står tæt på.
En definition, der angiver kategorien (Y) og det adskillende træk (Z), er den struktur, der er lettest for en model at udtrække og for en AI-assistent at citere. "Entity salience er en score fra 0 til 1, der måler, hvor central en entitet er i en tekst" slår tre sætninger med kontekst.
Priser, datoer, størrelser, kompatibilitet og begrænsninger skal stå ved siden af den entitet, de beskriver. "Sorank følger synligheden i ChatGPT, Gemini, Claude og Perplexity" er ét fakta, der kan udtrækkes. Den samme information fordelt på en overskrift, et punkt og en fodnote er tre fragmenter.
Vælg ét navn for hvert produkt, hver funktion og hvert begreb. Introducer et synonym én gang ("query fan-out, den måde AI-assistenter deler et spørgsmål op i flere søgninger på"), og hold dig derefter til én form.
Under en overskrift, der stiller et spørgsmål, giver første sætning svaret. Resten af passagen giver betingelserne, eksemplet og undtagelserne. Det er det, der gør en passage selvstændig.
Ét afsnit før og efter en NLP-omskrivning
Sætningen under "efter" illustrerer strukturen og beskriver ikke et rigtigt produkt: tilpas egenskaberne til det, din side faktisk tilbyder.
Python NLP til semantisk SEO betyder at køre samme slags embeddingmodel som i passagetesten ovenfor, men over hele lister: dine søgeord og siderne på dit website. To korte scripts besvarer spørgsmål, som et tjek af en enkelt side ikke kan besvare. Hvilke søgeord hører til på samme side? Hvilke af dine sider konkurrerer om samme betydning? Begge kører på din egen maskine uden omkostning, og begge giver kandidater, som du selv gennemgår, ikke domme.
Installér bibliotekerne i et virtuelt miljø, så de ikke kolliderer med andre Python-projekter:
python3 -m venv nlp-seo
source nlp-seo/bin/activate
pip install sentence-transformers scikit-learn
Første kørsel downloader modellen all-MiniLM-L6-v2 én gang. Derefter kører begge scripts offline.
Clustering gør en flad søgeordsliste til grupper, som én side kunne besvare. Hvert søgeord bliver til en vektor, og søgeord, hvis vektorer ligger tæt i cosinusafstand, havner i samme gruppe. Gem dine søgeord i en tekstfil, ét per linje, og kør dette script:
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, # cosinusafstand: lavere værdier giver strengere grupper
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)
Tærsklen er den indstilling, der betyder mest. Start på 0.35 og læs resultatet. Hvis ikke-relaterede søgeord deler en gruppe, så sænk den. Hvis emnet for én side er splittet over flere grupper, så hæv den. Average linkage reducerer kædning, altså effekten, hvor en række løst relaterede søgeord binder to ikke-relaterede grupper sammen.
Det andet script sammenligner dine sider med hinanden. Læg én række pr. side i en tabulatorsepareret fil med en overskriftsrække, med kolonnerne url og title. Titler er en grov proxy, så til en skarpere test indsætter du første afsnit fra hver side i kolonnen title.
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: # udgangspunkt: juster efter at du har læst resultaterne
print(f"{score:.2f} {rows[i][0]} vs {rows[j][0]}")
Hvert udskrevet par er en kandidat, ikke en dom. Åbn begge URL'er og spørg dig selv, om en læser ville forvente, at en af siderne besvarer den andens spørgsmål. Hvis svaret er ja, så slå de to sider sammen, eller behold én som hovedside og indsnævr fokus på den anden. Posten om søgeordskannibalisering forklarer, hvordan du vælger.
| Script | Input | Output | Hvad du beslutter |
|---|---|---|---|
| Søgeordsgrupper | Ét søgeord pr. linje | Grupper af søgeord, der deler betydning | Om hver gruppe har brug for én side eller flere |
| Konkurrerende sider | URL og titel, eller første afsnit, pr. side | Par af sider over din tærskel | Om du skal slå sammen, omfokusere eller beholde begge sider |
Tre begrænsninger betyder noget:
Scripts er sideniveau-modstykket til passagetesten ovenfor: det ene viser, hvad der hører sammen, det andet viser, hvor dine sider overlapper. Hvis du hellere vil slippe for at vedligeholde scripts, klarer Topic Cluster Generator grupperingstrinnet med et indbygget tjek mod kannibalisering.
Sprogmodeller læser mere end dine afsnit. Tre elementer omkring teksten bærer stærke signaler.
Schema.org-markering får ikke en side til at ranke i sig selv, men den angiver i maskinformat, hvad siden handler om, og hvilke kendte begreber den henviser til. Egenskaberne about og mentions med sameAs-links til referencesider fjerner tvetydighed ved entitetslinkning.
<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>
Generer og test din egen med vores gratis Schema Markup Generator og Structured Data Validator.
Overskrifter er det første, en model bruger til at dele din side op i passager. En overskrift, der navngiver entiteten og spørgsmålet ("Hvordan entity salience beregnes"), giver et renere uddrag end en kreativ overskrift ("Under motorhjelmen"). Hold hierarkiet af H2 og H3 stramt: ingen H3 uden overordnet H2, ingen oversprungne niveauer.
Ankertekst er et af de ældste NLP-signaler i søgning: den fortæller maskinen udefra, hvad målsiden handler om. Brug beskrivende ankertekster, der navngiver målentiteten, link sider, der ligger tæt i betydning, og undgå at sende den samme ankertekst til to forskellige sider. En semantisk kokon er den mest strukturerede måde at organisere det på, og vores guide om automatiseret intern linkbuilding forklarer, hvordan du skalerer den uden at skabe støj.
AI-assistenter driver NLP-logikken helt ud. De rangerer ikke hele sider: de henter passager, sammenligner dem efter betydning med delsøgninger og samler et svar, der nogle gange citerer kilden. Det har tre konsekvenser.
Den fulde metode anvendt på AI-svar finder du i vores guide om indholdsoptimering til LLM.
Det er de fejl, vi oftest ser på websites, vi auditerer. Hver af dem har et symptom, du kan spotte, og en rettelse, du kan lave i dag.
Hvad det er: at omskrive, indtil API'et giver dit søgeord høj salience, eller indtil et værktøj viser en grøn score. Sådan spotter du det: siden læses dårligere efter optimeringen; den samme frase dukker op i hvert afsnit. Sådan retter du det: brug kun salience til at tjekke entiteternes rækkefølge, og bedøm derefter siden på svarene og data fra Search Console. Google har aldrig sagt, at scorerne fra dette API bruges i rangeringen.
Hvad det er: at tilføje "crawl budget" i en sætning, fordi fem konkurrenter nævner det. Sådan spotter du det: termerne optræder én gang, uden kontekst og uden forklaring. Sådan retter du det: hver manglende entitet bliver et spørgsmål: har min læser brug for det? Hvis ja, så skriv en passage; hvis nej, så ignorer det.
Hvad det er: at indsætte hele siden, menu og sidefod inkluderet, i et NLP-værktøj. Sådan spotter du det: dine øverste entiteter er dit brandnavn, "cookies", "kontakt" eller kategorier fra sidefoden. Sådan retter du det: udtræk kun artiklens brødtekst, før du kører en analyse.
Hvad det er: at følge en gammel vejledning med det nuværende endpoint. Sådan spotter du det: JSON-svaret har entities og mentions, men ingen salience. Sådan retter du det: kald /v1/documents:analyzeEntities for salience, og husk, at v1 kan ændre sig.
Hvad det er: afsnit, hvor "den", "dette" og "de" henviser til navneord flere sætninger tilbage. Sådan spotter du det: spaCy-scriptet ovenfor tæller sætninger, der starter med et stedord; mere end én ud af fem på en nøgleside er et faresignal. Sådan retter du det: gentag navneordet i starten af hvert afsnit og efter hver overskrift.
Hvad det er: en enkelt URL, der prøver at definere et begreb, sammenligne værktøjer og sælge et produkt. Sådan spotter du det: siden ranker på mange søgninger på positionerne 15 til 40 og på ingen i top 5. Sådan retter du det: behold den dominerende intention, flyt de andre til dedikerede sider, og link dem.
Hvad det er: at fylde en side ud for at nå et bestemt antal ord eller en bestemt søgeordsdensitet. Sådan spotter du det: gentagne introduktioner, generiske afsnit, der kunne stå på enhver side. Sådan retter du det: slet hver passage, der ikke besvarer et spørgsmål, en læser ville stille. Vores Keyword Density Calculator er nyttig den anden vej: til at finde ud af, hvor du gentager dig for meget.
Hvad det er: at bruge et brand- eller produktnavn, som en maskine ikke kan skelne fra et almindeligt ord eller en anden virksomhed. Sådan spotter du det: API'et returnerer dit brand som OTHER eller CONSUMER_GOOD uden metadata, eller kobler det til det forkerte begreb. Sådan retter du det: sæt kategorien ved siden af navnet, brug schema af typen Organization eller Product med sameAs til dine officielle profiler, og hold navnet identisk overalt.
Tjekliste til NLP SEO på én side
Du behøver ikke en stor værktøjskasse. Vælg værktøjer efter det spørgsmål, du skal have besvaret.
| Værktøj | Type | Hvad det fortæller dig | Krævede færdigheder | Bedste brug |
|---|---|---|---|---|
| Google Cloud Natural Language | Cloud-API (se Google Clouds priser) | Entiteter, salience (v1), kategorier, sentiment, syntaks | Mellem: et Google Cloud-projekt og nogle få kommandoer | Tjekke, hvordan en Google-model læser dine vigtigste sider |
| spaCy | Python-bibliotek med åben kildekode | Entiteter, sætningsstruktur, subjekter, grundformer | Grundlæggende Python | Auditere mange sider lokalt, uden omkostninger |
| Sentence Transformers | Python-bibliotek med åben kildekode | Betydningslighed mellem søgninger og passager | Grundlæggende Python | Svartjek, kannibalisering, kortlægning af interne links |
| Google Search Console | Gratis værktøj fra Google | De søgninger, hver URL faktisk vises for | Ingen | Måle effekten af en omskrivning |
| Værktøjer til indholdsoptimering | SaaS | Huller i termer og entiteter mod topsiderne | Ingen | Hurtigt tjek af underemner, før du skriver |
| Sorank | SEO- og GEO-software på autopilot | Omskrivninger, emneklynger, overvågning af AI-synlighed | Ingen | Anvende metoden på et helt website |
For en sammenligning af de kommercielle muligheder, læs vores gennemgang af de bedste værktøjer til indholdsoptimering. Har du snesevis af ældre sider, der skal rettes, auditerer og omskriver Soranks funktion Content Optimization eksisterende sider på autopilot, og Topic Cluster Generator grupperer dine søgeord efter betydning, før du skriver, med et indbygget tjek mod kannibalisering.
NLP-ændringer handler om forståelse, så mål forståelsen først og trafikken bagefter.
Filtrer resultatrapporten i Google Search Console på den omskrevne URL, og tæl de forskellige søgninger med visninger over 28 dage, før og efter. En side, der forstås bedre, vises som regel for flere long tail-varianter inden for få uger, ofte før klikkene flytter sig.
Følg de 5 til 10 spørgsmål, du brugte i passagetesten. Hvis visningerne stiger, men placeringen ikke gør, er siden forstået, men ikke foretrukket: arbejd med dybde, eksempler og links.
Stil de samme prompts i ChatGPT, Gemini, Claude og Perplexity før og efter, og noter, om din side bliver citeret. Gentag hver måned: AI-svar varierer fra den ene kørsel til den næste, så én test beviser intet. For en struktureret udgave af dette tjek, lav en semantisk SEO-audit af hele klyngen i stedet for af en enkelt side.
Vælg den side, der giver dig mest forretning, og kør auditten i seks trin på den. Ret de to første problemer, du finder, som regel en hovedentitet, der ikke dominerer, og en svarpassage, der er for vag. Noter derefter datoen, og tjek sidens søgninger i Search Console om fire uger.
NLP i SEO betyder at gøre dit indhold let for sprogmodeller at forstå: hvilke entiteter en side dækker, hvilke spørgsmål hver passage besvarer, og hvordan siden hænger sammen med resten af websitet. Google har brugt sprogmodeller som BERT i Søgning siden 2019, og AI-assistenter bygger helt på dem, så klar og entydig skrivning er i praksis blevet en faktor for både rangering og citater.
Ingen offentlig udtalelse fra Google siger, at salience-scoren fra Cloud Natural Language API bruges i rangeringen. Scoren er en nyttig måde at tjekke, om dit hovedemne dominerer siden, men læs entiteternes rækkefølge i stedet for at jagte et tal. Bemærk, at salience kun returneres af version 1 af API'et.
spaCy og Sentence Transformers er gratis Python-biblioteker med åben kildekode til entitetsudtræk og passagelighed. Google Search Console, også gratis, viser derefter, om en omskrevet side vises for flere søgninger. Google Cloud Natural Language tilføjer salience og kategorier, med forbrug, der faktureres efter Google Clouds priser.
