जानें NLP Google और AI सर्च को कैसे आकार देता है: एंटिटी, सैलिएंस, एम्बेडिंग, कोड के साथ 6 चरणों का पेज ऑडिट, लेखन के नियम और बचने वाली गलतियाँ।

इस पेज पर
AI से इस लेख का सार देखें
त्वरित क्विज़
क्या SEO आपके लिए सही है, और शुरुआत कैसे करें?
Sorank आपके जवाबों से मेल खाता है
इसे अपनी साइट पर 3 दिनों के लिए आज़माएं और देखें कि Google, ChatGPT और बाकी AI पर आप कहां खड़े हैं।
3 दिन का मुफ़्त ट्रायल शुरू करें3 दिन मुफ़्त, फिर जब चाहें बंद करें। 90 दिन की परिणाम गारंटी, शर्तें लागू।
संक्षेप में: NLP SEO का मतलब है पेज को इस तरह लिखना और संरचित करना कि Google और AI असिस्टेंट जिन भाषा मॉडलों का उपयोग करते हैं, वे ठीक-ठीक समझ सकें कि आपका पेज किस बारे में है: वह कौन-सी एंटिटी कवर करता है, हर पैराग्राफ किस सवाल का जवाब देता है और वह आपकी साइट के बाकी हिस्से से कैसे जुड़ा है। व्यवहार में, आप अपने टेक्स्ट को उसी तरह के टूल (एंटिटी एक्सट्रैक्शन, क्लासिफिकेशन, एम्बेडिंग) से गुज़ारते हैं, मशीन जो गलत पढ़ती है उसे ठीक करते हैं, और वाक्यों को फिर से लिखते हैं ताकि मुख्य विषय, उसकी विशेषताएँ और जवाब स्पष्ट हों। यह रैंक करने की कोई नई तरकीब नहीं है: यह अस्पष्टता हटाने का तरीका है, और अस्पष्टता ही आपकी रैंकिंग और AI साइटेशन छीनती है।
नेचुरल लैंग्वेज प्रोसेसिंग (NLP) AI की वह शाखा है जो इंसानी टेक्स्ट को ऐसे डेटा में बदलती है जिस पर मशीन तर्क कर सके: शब्द, वाक्य, एंटिटी, संबंध और अर्थ। अगर आप पहले सामान्य परिभाषा चाहते हैं, तो हमारी शब्दावली में नेचुरल लैंग्वेज प्रोसेसिंग वाली प्रविष्टि पढ़ें। SEO के लिए जो परिभाषा मायने रखती है वह संकरी है: NLP वह तरीका है जिससे सर्च इंजन तय करता है कि आपके पेज का अर्थ क्या है, उससे पहले कि वह तय करे कि उसे कहाँ रैंक करना है।
इसलिए NLP SEO की तीन परतें हैं। नतीजे पाने के लिए तीनों चाहिए।
NLP SEO क्या नहीं है: यह पेज में "NLP कीवर्ड" की सूची ठूँसना नहीं है, और न ही किसी कंटेंट टूल के स्कोर के पीछे भागना है। Google अपनी गाइड मददगार, भरोसेमंद और लोगों को प्राथमिकता देने वाला कंटेंट बनाना में साफ़ कहता है: अगर आप किसी शब्द संख्या के हिसाब से लिखते हैं क्योंकि आपने सुना है कि Google को कोई खास संख्या पसंद है, तो जवाब है "नहीं, ऐसा नहीं है।" यही तर्क शब्दों की सूचियों पर भी लागू होता है। लक्ष्य समझा जाना है, ऑप्टिमाइज़ किया हुआ दिखना नहीं।
भाषा की समझ ने SEO को क्यों बदला
स्रोत: Google, Pandu Nayak, "Understanding searches better than ever before" (2019) और "MUM: A new AI milestone for understanding information" (2021)
जब Google ने BERT पेश किया, तो Pandu Nayak (Google Fellow और सर्च के वाइस प्रेसिडेंट) ने 25 अक्टूबर 2019 की आधिकारिक घोषणा में बताया कि यह मॉडल अमेरिका में अंग्रेज़ी की हर 10 में से 1 सर्च को बेहतर समझने में मदद करेगा। उनका उदाहरण क्वेरी "2019 brazil traveler to usa need a visa" थी: BERT से पहले "to" शब्द लगभग नज़रअंदाज़ हो जाता था और Google ब्राज़ील जाने वाले अमेरिकी नागरिकों के बारे में नतीजे दिखाता था। BERT के बाद यात्रा की दिशा समझ में आने लगी। यही एक प्रीपोज़िशन NLP SEO का सार है: छोटे शब्द अर्थ रखते हैं, और मॉडल अब उन्हें पढ़ते हैं। हमारी शब्दावली का BERT एल्गोरिदम वाला पेज मॉडल के बारे में और गहराई से बताता है।
दो साल बाद Google ने 18 मई 2021 की पोस्ट में MUM पेश किया और इसे BERT से 1000 गुना ज़्यादा शक्तिशाली तथा 75 भाषाओं पर प्रशिक्षित बताया। उदाहरण की क्वेरी एक हाइकर की थी जिसने माउंट Adams पर चढ़ाई की है और अगले पतझड़ में माउंट Fuji की तैयारी करना चाहता है: ऐसा सवाल जिसके लिए दो एंटिटी की तुलना करनी पड़ती है और यह निकालना पड़ता है कि "तैयारी" का क्या मतलब है। आज AI Overviews, ChatGPT, Perplexity और Gemini सभी इसी सिद्धांत पर काम करते हैं: वे पैराग्राफ पढ़ते हैं, एंटिटी पहचानते हैं और जवाब जोड़ते हैं। आपका पेज इस प्रक्रिया का कच्चा माल है।
आपको गणित जानने की ज़रूरत नहीं है। आपको चरण जानने की ज़रूरत है, क्योंकि हर चरण वह जगह है जहाँ आपका पेज गलत पढ़ा जा सकता है। यह रही पाइपलाइन, उसी क्रम में जिसमें एक सामान्य सिस्टम इसे चलाता है।
आपका पेज पढ़ने के लिए मशीन जिन 7 चरणों से गुज़रती है
नीचे की तालिका हर NLP काम को पेज पर उसके ठोस जोखिम और उस सुधार से जोड़ती है जो आपके नियंत्रण में है।
| NLP काम | मशीन क्या करती है | पेज पर आम समस्या | आप क्या बदलें |
|---|---|---|---|
| बॉयलरप्लेट हटाना | मुख्य कंटेंट को टेम्पलेट से अलग करती है | भूमिका 600 शब्दों के मेन्यू और विजेट के पीछे दबी है | जवाब को मुख्य कंटेंट के पहले पैराग्राफ में, सादे HTML में रखें |
| वाक्य विभाजन | टेक्स्ट को वाक्यों में काटती है | बिना क्रिया के बुलेट टुकड़े, 60 शब्दों के वाक्य | हर वाक्य में एक विचार, तथ्य बताने वाली सूचियों में पूरे वाक्य |
| डिपेंडेंसी पार्सिंग | कर्ता, क्रिया, कर्म ढूँढती है | कर्ता "यह" या "वह" है, जो अपनी संज्ञा से तीन वाक्य दूर है | संज्ञा दोहराएँ, कर्ता और क्रिया को पास रखें |
| नेम्ड एंटिटी रिकग्निशन | नाम पहचानती है और उनका प्रकार तय करती है | आपका प्रोडक्ट पाँच अलग तरीकों से लिखा है | एक मानक नाम चुनें, दूसरे रूप तभी इस्तेमाल करें जब उनका परिचय दे दिया हो |
| एंटिटी लिंकिंग | नामों को ज्ञात अवधारणाओं से जोड़ती है | बिना संदर्भ का अस्पष्ट ब्रांड नाम | नाम के पास कैटेगरी लिखें ("Sorank, SEO सॉफ़्टवेयर...") और sameAs के साथ स्ट्रक्चर्ड डेटा जोड़ें |
| एम्बेडिंग | क्वेरी और पैराग्राफ के अर्थ की तुलना करती है | जो पैराग्राफ जवाब देने वाला है वह इतना सामान्य है कि किसी भी पेज पर फ़िट हो जाए | ऐसे पैराग्राफ लिखें जो सवाल के शब्द दोहराएँ और ठोस जवाब दें |
| क्लासिफ़िकेशन | विषय और इंटेंट तय करती है | ब्लॉग जैसे भटकाव से भरा प्रोडक्ट पेज | हर URL पर एक प्रमुख इंटेंट, बाकी इंटेंट दूसरे पेजों पर भेजें |
नोट
Google के बाहर कोई नहीं जानता कि रैंकिंग में ठीक कौन-से मॉडल इस्तेमाल होते हैं। इस गाइड के टूल अनुमानित विकल्प हैं: वे टेक्स्ट को आधुनिक भाषा मॉडलों की तरह पढ़ते हैं, Google के रैंकिंग सिस्टम की तरह नहीं। इनका उपयोग अस्पष्टता ढूँढने के लिए करें, पोज़िशन का अनुमान लगाने के लिए नहीं।

पाँच संकेत मुफ़्त या सस्ते टूल से मापे जा सकते हैं। हर एक कुछ अलग बताता है, और इनमें से कोई भी अकेले रैंकिंग फ़ैक्टर नहीं है।
एंटिटी एक नामित "चीज़" है: ब्रांड, प्रोडक्ट, व्यक्ति, जगह, या "कीवर्ड कैनिबलाइज़ेशन" जैसी अवधारणा। Google का Cloud Natural Language API हर एंटिटी के लिए एक प्रकार, उसके उल्लेख और API के संस्करण 1 में एक सैलिएंस स्कोर लौटाता है। v1 का Entity रेफ़रेंस इसे "एंटिटी से जुड़ा सैलिएंस स्कोर, [0, 1.0] की सीमा में" बताता है। एंटिटी के प्रकार हैं UNKNOWN, PERSON, LOCATION, ORGANIZATION, EVENT, WORK_OF_ART, CONSUMER_GOOD, OTHER, PHONE_NUMBER, ADDRESS, DATE, NUMBER और PRICE।
सैलिएंस दस्तावेज़ के सापेक्ष होता है: किसी टेक्स्ट की सभी एंटिटी के स्कोर आपस में प्रतिस्पर्धा करते हैं। इसलिए उपयोगी पढ़ाई क्रम की है, संख्या की नहीं। अगर आपका पेज "NLP SEO" को टारगेट करता है और सबसे ऊपर की एंटिटी "Google" है, तो मशीन के लिए वह पेज मुख्य रूप से Google के बारे में है। विस्तार हमारी शब्दावली की एंटिटी सैलिएंस प्रविष्टि में है।
चेतावनी: v1 बनाम v2
Natural Language API के v2 का Entity ऑब्जेक्ट सिर्फ़ name, type, metadata, mentions और sentiment दिखाता है: इसमें salience फ़ील्ड नहीं है। अगर कोई ट्यूटोरियल सैलिएंस स्कोर दिखाता है, तो वह v1 को कॉल कर रहा है। अगर आप आज कोई स्क्रिप्ट बना रहे हैं, तो सैलिएंस के लिए v1 एंडपॉइंट को स्पष्ट रूप से कॉल करें और उस पर निर्भर होने से पहले डॉक्यूमेंटेशन जाँच लें।

classifyText मेथड एक तय वर्गीकरण से कैटेगरी लौटाता है (जैसे /Internet & Telecom/Web Services जैसा पाथ)। Natural Language की बुनियादी बातों पर Google का डॉक्यूमेंटेशन बताता है कि क्लासिफ़िकेशन के लिए कम से कम बीस टोकन का टेक्स्ट चाहिए। SEO में उपयोग: अगर "SEO सॉफ़्टवेयर" के लिए बना पेज किसी सामान्य मार्केटिंग कैटेगरी में रखा जाता है, तो उसकी शब्दावली बहुत सामान्य है।
सेंटिमेंट विश्लेषण -1.0 (नकारात्मक) से 1.0 (सकारात्मक) तक का स्कोर और एक मैग्निट्यूड लौटाता है जो मापता है कि टेक्स्ट में कितनी भावना है। दस्तावेज़ के स्तर पर मैग्निट्यूड 0.0 से शुरू होता है और नॉर्मलाइज़ नहीं होता, इसलिए मिली-जुली राय वाला लंबा टेक्स्ट तटस्थ स्कोर और ऊँचा मैग्निट्यूड दिखा सकता है। SEO के लिए सेंटिमेंट मुख्य रूप से रिव्यू पेज, तुलना पेज और "सबसे अच्छे X" वाली सूचियों में मायने रखता है, जहाँ बिना राय का सपाट टेक्स्ट ऐसे सवाल का जवाब देता है जो राय माँगता है।
सिंटैक्स विश्लेषण हर टोकन का शब्द-भेद, मूल रूप (lemma) और डिपेंडेंसी लौटाता है। दो जाँचें चलाने लायक हैं: आपकी मुख्य एंटिटी कितनी बार वाक्य का व्याकरणिक कर्ता है, और कितने वाक्य किसी सर्वनाम ("यह", "वह", "वे") से शुरू होते हैं। जिस पेज पर मुख्य एंटिटी कई वाक्यों की कर्ता है, वह उसके बारे में बात करता है, उसके इर्द-गिर्द नहीं।
एम्बेडिंग किसी पैराग्राफ को वेक्टर में बदलती हैं। किसी क्वेरी के वेक्टर की तुलना अपने पैराग्राफ के वेक्टर से करने पर (कोसाइन समानता) दिखता है कि कोई रिट्रीवल सिस्टम उस क्वेरी के लिए कौन-सा पैराग्राफ चुनेगा। AI असिस्टेंट जिस तरह उद्धृत करने वाला हिस्सा चुनते हैं, उसका यह सबसे नज़दीकी सार्वजनिक विकल्प है। यह इस सवाल की भी सबसे अच्छी जाँच है कि "क्या यह पेज सच में सवाल का जवाब देता है, या सिर्फ़ उसका ज़िक्र करता है।"
"NLP SEO" में छह अलग-अलग तरीके आते हैं। वेंडर आमतौर पर इनमें से एक को ऐसे बेचते हैं जैसे वही पूरा क्षेत्र हो। यह रहा हर तरीका, कब इसका उपयोग करें और कहाँ यह काम करना बंद कर देता है।
सिद्धांत: उन एंटिटी को पहचानें जो एक पूरे जवाब में होनी चाहिए (मुख्य एंटिटी, उसकी विशेषताएँ, संबंधित एंटिटी), जाँचें कि आपका पेज उन्हें स्पष्ट रूप से नाम देता है और मुख्य एंटिटी हावी है। कब उपयोग करें: किसी प्रोडक्ट, ब्रांड, व्यक्ति, जगह या स्पष्ट रूप से परिभाषित अवधारणा वाले पेज पर। खूबियाँ: यह नॉलेज ग्राफ़ और AI जवाबों के बनने के तरीके से मेल खाता है और अस्पष्टता को जड़ से ठीक करता है। सीमाएँ: एंटिटी एक्सट्रैक्शन विशेष शब्दावली और नई अवधारणाओं को चूक जाता है; Google के API के v2 में सैलिएंस उपलब्ध नहीं है। उदाहरण: "Shopify SEO" पर एक पेज, जहाँ एक लंबे तुलना पैराग्राफ की वजह से "WordPress" शीर्ष एंटिटी बनकर आता है: वह पैराग्राफ अपने अलग पेज पर चला जाता है और Shopify पेज का फ़ोकस बढ़ता है। हमारी एंटिटी SEO गाइड रणनीति वाले पक्ष को कवर करती है।
सिद्धांत: टॉप रैंक करने वाले पेजों के शब्दों की तुलना अपने शब्दों से करें, उनकी विशिष्टता (TF-IDF) के हिसाब से भार देकर, और कमियाँ भरें। ज़्यादातर कंटेंट स्कोरिंग टूल यही करते हैं। कब उपयोग करें: किसी जानकारी वाले पेज में छूटे हुए उप-विषय ढूँढने के लिए। खूबियाँ: तेज़, लेखक को समझाने में आसान। सीमाएँ: यह सर्च नतीजों का औसत कॉपी करता है, दोहराव को इनाम देता है और यह कुछ नहीं बताता कि आप सवाल का जवाब देते हैं या नहीं। शब्दों की सूची उप-विषयों की चेकलिस्ट है, शब्दों का कोटा नहीं। उदाहरण: "टेक्निकल SEO ऑडिट" के टॉप पेज सभी "क्रॉल बजट" और "canonical" का ज़िक्र करते हैं; आपका पेज नहीं करता: दो सेक्शन गायब हैं, दो शब्द नहीं।
सिद्धांत: क्वेरी और पैराग्राफ को वेक्टर में एन्कोड करें और मापें कि वे कितने पास हैं। कब उपयोग करें: यह जाँचने के लिए कि हर लक्षित सवाल का स्पष्ट जवाब देने वाला एक पैराग्राफ है, एक ही अर्थ के लिए होड़ कर रहे दो पेज पकड़ने के लिए, और अर्थ के आधार पर इंटरनल लिंक की योजना बनाने के लिए। खूबियाँ: साझा शब्दों के बिना काम करता है, AI जवाबों में रिट्रीवल के तरीके के करीब है। सीमाएँ: स्कोर मॉडल पर निर्भर करते हैं; ऊँचे स्कोर का मतलब है "विषय से जुड़ा", "सही" या "उपयोगी" नहीं। उदाहरण: "SEO में कितना समय लगता है" का जवाब देने वाला पैराग्राफ किसी असंबंधित भूमिका पैराग्राफ से कम स्कोर करता है: जवाब वाला पैराग्राफ बहुत अस्पष्ट है, इसलिए उसे समय-सीमा पहले बताते हुए फिर से लिखा जाता है।
सिद्धांत: क्वेरी (जानकारी वाली, व्यावसायिक, लेनदेन वाली, नेविगेशनल) और उस फ़ॉर्मेट को क्लासिफ़ाई करें जिसे Google इनाम देता है (गाइड, सूची, टूल, प्रोडक्ट पेज), फिर उससे मेल बिठाएँ। कब उपयोग करें: लिखने से पहले, और जब कोई अच्छा पेज बिल्कुल रैंक न करे। खूबियाँ: सबसे महँगी गलती, यानी गलत फ़ॉर्मेट, को ठीक करता है। सीमाएँ: मिले-जुले सर्च नतीजे भी होते हैं; इंटेंट समय के साथ बदलता है। हमारी शब्दावली की सर्च इंटेंट प्रविष्टि देखें।
सिद्धांत: लोग जो सवाल पूछते हैं उन्हें निकालें (People Also Ask, फ़ोरम, AI प्रॉम्प्ट, आपके सपोर्ट टिकट) और हर सवाल को एक स्वतंत्र पैराग्राफ दें। कब उपयोग करें: AI विज़िबिलिटी और फ़ीचर्ड स्निपेट के लिए। खूबियाँ: सीधे उद्धृत करने लायक पैराग्राफ बनाता है। सीमाएँ: अगर आप सवालों को उप-विषय के हिसाब से समूहित नहीं करते, तो पेज बिना गहराई वाले FAQ में बिखर सकता है।
सिद्धांत: कीवर्ड और पेजों को अर्थ के आधार पर समूहित करें ताकि तय हो सके कि कौन-सा पेज क्या कवर करेगा, फिर उन्हें लिंक करें। कब उपयोग करें: साइट के स्तर पर, कंटेंट बनाने से पहले और जब पेज एक-दूसरे को कैनिबलाइज़ करें। खूबियाँ: टॉपिकल अथॉरिटी और साफ़ आर्किटेक्चर बनाता है। सीमाएँ: सर्च नतीजों के ओवरलैप से क्लस्टरिंग और एम्बेडिंग से क्लस्टरिंग अलग-अलग समूह देती हैं; फ़ैसले के लिए आपको एक नियम चाहिए। हमारी कीवर्ड क्लस्टरिंग गाइड दोनों तरीकों का विस्तार से वर्णन करती है, और टॉपिकल मैप प्रविष्टि बताती है कि क्लस्टर को योजना में कैसे बदलें।
| तरीका | स्तर | सबसे उपयुक्त | मुख्य जोखिम | टूल |
|---|---|---|---|---|
| एंटिटी ऑप्टिमाइज़ेशन | पेज | प्रोडक्ट, ब्रांड और अवधारणा पेज | सैलिएंस को रैंकिंग फ़ैक्टर मानना | Google Cloud Natural Language (v1), spaCy |
| शब्द कवरेज (TF-IDF) | पेज | छूटे हुए उप-विषय ढूँढना | सर्च नतीजों का औसत लिखना, ठूँसना | कंटेंट स्कोरिंग टूल, Python scikit-learn |
| एम्बेडिंग समानता | पैराग्राफ और साइट | जवाब की गुणवत्ता, कैनिबलाइज़ेशन, इंटरनल लिंक | "विषय से जुड़ा" को "अच्छा" समझ लेना | Sentence Transformers, वेक्टर डेटाबेस |
| इंटेंट क्लासिफ़िकेशन | क्वेरी और पेज | सही फ़ॉर्मेट चुनना | मिले-जुले सर्च नतीजों को नज़रअंदाज़ करना | सर्च नतीजों की मैन्युअल जाँच, क्लासिफ़ायर |
| सवाल माइनिंग | पैराग्राफ | AI साइटेशन, स्निपेट | सतही FAQ पेज | People Also Ask, प्रॉम्प्ट रिसर्च |
| टॉपिक क्लस्टरिंग | साइट | आर्किटेक्चर, टॉपिकल अथॉरिटी | असंगत क्लस्टर नियम | क्लस्टरिंग टूल, एम्बेडिंग |
शब्द-सूची ऑप्टिमाइज़ेशन बनाम एंटिटी और पैराग्राफ ऑप्टिमाइज़ेशन
शुरुआत के लिए हम यही तरीका सुझाते हैं: एक अहम पेज, एक दोपहर। आपको पेज का टेक्स्ट, तीन से पाँच प्रतिस्पर्धी पेज और या तो मुफ़्त ऑनलाइन टूल या Python की कुछ लाइनें चाहिए।
6 चरणों का पेज NLP ऑडिट
spaCy एक मुफ़्त, ओपन-सोर्स Python लाइब्रेरी है। इसका छोटा अंग्रेज़ी मॉडल लैपटॉप पर कुछ सेकंड में चल जाता है। नीचे की स्क्रिप्ट आपके पेज की सबसे ज़्यादा आने वाली एंटिटी और सबसे ज़्यादा आने वाले व्याकरणिक कर्ता दिखाती है: दूसरी सूची अक्सर पहली से ज़्यादा खुलासा करती है।
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")
कर्ताओं की सूची ध्यान से पढ़ें। किसी सॉफ़्टवेयर प्रोडक्ट के पेज पर अगर "आप" और "यह" हावी हैं और प्रोडक्ट का नाम कभी कर्ता के रूप में नहीं आता, तो पेज क्रियाओं का वर्णन करता है पर यह नहीं बताता कि उन्हें कौन करता है। इसे एक घंटे में ठीक किया जा सकता है।

spaCy के सामान्य मॉडल सैलिएंस नहीं निकालते। इसके लिए Google Cloud Natural Language v1 का analyzeEntities एंडपॉइंट कॉल करें। एक प्रोजेक्ट बनाएँ, API चालू करें, gcloud कमांड लाइन से ऑथेंटिकेट करें, फिर अपना टेक्स्ट भेजें। इस रिक्वेस्ट बॉडी को request.json नाम से सेव करें:
{
"document": {
"type": "PLAIN_TEXT",
"language": "en",
"content": "Paste the clean main text of your page here."
},
"encodingType": "UTF8"
}
फिर एंडपॉइंट कॉल करें:
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"
रिस्पॉन्स में एंटिटी उनके type, salience, mentions के साथ आती हैं, और जब एंटिटी लिंक होती है तो एक metadata ऑब्जेक्ट भी आता है जिसमें wikipedia_url और mid (Knowledge Graph पहचानकर्ता) हो सकते हैं। मेटाडेटा में Wikipedia URL वाली एंटिटी किसी ज्ञात अवधारणा से लिंक हो चुकी है; जिस अहम एंटिटी के पास यह नहीं है, वह अस्पष्ट या बहुत नई हो सकती है। कंटेंट कैटेगरी पाने के लिए analyzeEntities की जगह classifyText लिखें। सैकड़ों पेजों पर चलाने से पहले Google Cloud की मौजूदा कीमतें और कोटा जाँच लें।
Sentence Transformers लाइब्रेरी किसी सवाल के अर्थ की तुलना आपके पेज के हर पैराग्राफ से करती है। all-MiniLM-L6-v2 मॉडल छोटा है और इस जाँच के लिए काफ़ी है।
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")
दो नतीजों पर कार्रवाई ज़रूरी है। अगर किसी सवाल का सबसे अच्छा पैराग्राफ वह नहीं है जो आपने उसका जवाब देने के लिए लिखा था, तो आपका जवाब वाला पैराग्राफ बहुत सामान्य है। अगर किसी सवाल का सबसे अच्छा स्कोर बाकियों से बहुत नीचे है, तो पेज असल में उसका जवाब नहीं देता। स्कोर की तुलना एक ही पेज के सवालों के बीच करें, किसी तय सीमा से नहीं: मान मॉडल पर निर्भर करते हैं।

टिप
Python नहीं आता? हमारा मुफ़्त LLM Readability Checker किसी पेज को AI एक्सट्रैक्शन के हिसाब से स्कोर करता है, और Heading Structure Analyzer दिखाता है कि आपके H2 और H3 उन सवालों की घोषणा करते हैं या नहीं जिनका जवाब आपके पैराग्राफ देते हैं।
ज़्यादातर NLP समस्याएँ लेखन में ठीक होती हैं, टूल में नहीं। ये नियम सीधे ऊपर की पाइपलाइन से निकले हैं: हर नियम एक ऐसा चरण हटाता है जहाँ मशीन गलती कर सकती है।
हर सेक्शन के पहले वाक्य में मुख्य एंटिटी का पूरा नाम कर्ता के रूप में इस्तेमाल करें। पैराग्राफ "यह" या "वह" से शुरू करने से बचें। पैराग्राफ के अंदर सर्वनाम ठीक हैं, बशर्ते संज्ञा पास में हो।
जो परिभाषा कैटेगरी (Y) और अलग पहचान वाली विशेषता (Z) बताती है, वह मॉडल के लिए निकालने और AI असिस्टेंट के लिए उद्धृत करने की सबसे आसान संरचना है। "एंटिटी सैलिएंस 0 से 1 तक का एक स्कोर है जो मापता है कि कोई एंटिटी किसी टेक्स्ट के लिए कितनी केंद्रीय है" संदर्भ के तीन वाक्यों से बेहतर है।
कीमतें, तारीखें, आकार, संगतता और सीमाएँ उसी एंटिटी के पास होनी चाहिए जिसका वे वर्णन करती हैं। "Sorank ChatGPT, Gemini, Claude और Perplexity में विज़िबिलिटी ट्रैक करता है" एक निकाला जा सकने वाला तथ्य है। वही जानकारी हेडिंग, बुलेट और फ़ुटनोट में बँटी हो तो वह तीन टुकड़े हैं।
हर प्रोडक्ट, फ़ीचर और अवधारणा के लिए एक नाम चुनें। पर्यायवाची का परिचय एक बार दें ("query fan-out, यानी वह तरीका जिससे AI असिस्टेंट एक सवाल को कई सर्च में बाँटते हैं") और फिर एक ही रूप पर टिके रहें।
सवाल पूछने वाली हेडिंग के नीचे पहला वाक्य जवाब देता है। पैराग्राफ का बाकी हिस्सा शर्तें, उदाहरण और अपवाद बताता है। यही पैराग्राफ को स्वतंत्र बनाता है।
एक पैराग्राफ, NLP रीराइट से पहले और बाद
"बाद" वाला वाक्य संरचना का उदाहरण है, किसी असली प्रोडक्ट का वर्णन नहीं: विशेषताओं को उसके हिसाब से ढालें जो आपका पेज वास्तव में देता है।
सिमेंटिक SEO के लिए Python NLP का मतलब है ऊपर के पैसेज टेस्ट जैसा ही एम्बेडिंग मॉडल चलाना, लेकिन पूरी सूचियों पर: आपके कीवर्ड और आपकी साइट के पेज। दो छोटी स्क्रिप्ट उन सवालों के जवाब देती हैं जिनका एक पेज की जाँच नहीं दे सकती। कौन से कीवर्ड एक ही पेज पर होने चाहिए? आपके कौन से पेज एक ही अर्थ के लिए होड़ कर रहे हैं? दोनों आपकी अपनी मशीन पर मुफ़्त चलते हैं, और दोनों ऐसे उम्मीदवार देते हैं जिन्हें आप जाँचें, अंतिम फ़ैसला नहीं।
लाइब्रेरी को एक वर्चुअल एनवायरनमेंट में इंस्टॉल करें, ताकि वे आपके दूसरे Python प्रोजेक्ट से न टकराएँ:
python3 -m venv nlp-seo
source nlp-seo/bin/activate
pip install sentence-transformers scikit-learn
पहली बार चलाने पर all-MiniLM-L6-v2 मॉडल एक बार डाउनलोड होता है। उसके बाद दोनों स्क्रिप्ट ऑफ़लाइन चलती हैं।
क्लस्टरिंग एक सपाट कीवर्ड सूची को ऐसे समूहों में बदल देती है जिन्हें एक पेज जवाब दे सके। हर कीवर्ड एक वेक्टर बनता है, और जिन कीवर्ड के वेक्टर कोसाइन दूरी पर पास होते हैं, वे एक ही समूह में आ जाते हैं। अपने कीवर्ड एक टेक्स्ट फ़ाइल में रखें, हर लाइन पर एक, और यह स्क्रिप्ट चलाएँ:
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, # कोसाइन दूरी: कम मान ज़्यादा सख़्त समूह देते हैं
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)
थ्रेशोल्ड सबसे अहम सेटिंग है। 0.35 से शुरू करें और आउटपुट पढ़ें। अगर असंबंधित कीवर्ड एक समूह में आ रहे हों, तो इसे घटाएँ। अगर एक पेज का विषय कई समूहों में बँट रहा हो, तो इसे बढ़ाएँ। Average linkage चेनिंग को कम करता है, यानी वह असर जहाँ ढीले-ढाले जुड़े कीवर्ड की एक लड़ी दो अलग समूहों को जोड़ देती है।
दूसरी स्क्रिप्ट आपके पेजों की आपस में तुलना करती है। एक टैब से अलग की गई फ़ाइल बनाएँ जिसमें हेडर वाली पंक्ति हो, हर पेज के लिए एक पंक्ति, और कॉलम url और title हों। टाइटल एक मोटा संकेत है, इसलिए ज़्यादा सटीक जाँच के लिए हर पेज का पहला पैराग्राफ़ title कॉलम में चिपकाएँ।
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: # शुरुआती बिंदु: नतीजे पढ़ने के बाद समायोजित करें
print(f"{score:.2f} {rows[i][0]} vs {rows[j][0]}")
छपा हर जोड़ा एक उम्मीदवार है, फ़ैसला नहीं। दोनों URL खोलें और पूछें: क्या कोई पाठक उम्मीद करेगा कि कोई भी पेज दूसरे के सवाल का जवाब दे? अगर हाँ, तो दोनों पेज मर्ज करें, या एक को मुख्य पेज रखें और दूसरे का फ़ोकस सीमित करें। कीवर्ड कैनिबलाइज़ेशन की एंट्री बताती है कि चुनाव कैसे करें।
| स्क्रिप्ट | इनपुट | आउटपुट | आप क्या तय करते हैं |
|---|---|---|---|
| कीवर्ड समूह | हर लाइन पर एक कीवर्ड | ऐसे कीवर्ड के समूह जिनका अर्थ एक है | हर समूह को एक पेज चाहिए या कई |
| प्रतिस्पर्धी पेज | हर पेज का URL और टाइटल, या पहला पैराग्राफ़ | आपकी थ्रेशोल्ड से ऊपर वाले पेज-जोड़े | मर्ज करना, फ़ोकस बदलना, या दोनों पेज रखना |
तीन सीमाएँ मायने रखती हैं:
ये स्क्रिप्ट ऊपर वाले पैसेज टेस्ट का साइट-स्तरीय रूप हैं: एक बताती है कि क्या साथ रहना चाहिए, दूसरी बताती है कि आपके पेज कहाँ ओवरलैप करते हैं। अगर आप स्क्रिप्ट संभालना नहीं चाहते, तो Sorank का Topic Cluster Generator समूहीकरण का चरण चलाता है, और इसमें कैनिबलाइज़ेशन जाँच पहले से शामिल है।
भाषा मॉडल आपके पैराग्राफ से ज़्यादा पढ़ते हैं। टेक्स्ट के आसपास के तीन तत्व मज़बूत संकेत देते हैं।
Schema.org मार्कअप अपने आप पेज को रैंक नहीं कराता, लेकिन यह मशीन के फ़ॉर्मेट में बताता है कि पेज किस बारे में है और किन ज्ञात अवधारणाओं की ओर इशारा करता है। about और mentions प्रॉपर्टी, संदर्भ पेजों की ओर sameAs लिंक के साथ, एंटिटी लिंकिंग की अस्पष्टता हटाती हैं।
<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>
हमारे मुफ़्त Schema Markup Generator और Structured Data Validator से अपना मार्कअप बनाएँ और परखें।
हेडिंग वह पहली चीज़ है जिसका उपयोग मॉडल आपके पेज को पैराग्राफ में बाँटने के लिए करता है। एंटिटी और सवाल का नाम लेने वाली हेडिंग ("एंटिटी सैलिएंस की गणना कैसे होती है") किसी चतुर हेडिंग ("पर्दे के पीछे") से ज़्यादा साफ़ हिस्सा बनाती है। H2 और H3 का क्रम सख़्त रखें: बिना पैरेंट H2 के कोई H3 नहीं, कोई छूटा हुआ स्तर नहीं।
एंकर टेक्स्ट सर्च के सबसे पुराने NLP संकेतों में से एक है: यह इंजन को बाहर से बताता है कि लक्षित पेज किस बारे में है। लक्षित एंटिटी का नाम लेने वाले वर्णनात्मक एंकर इस्तेमाल करें, अर्थ में करीब पेजों को लिंक करें, और एक ही एंकर को दो अलग पेजों पर भेजने से बचें। सिमेंटिक कोकून इसे व्यवस्थित करने का सबसे संरचित तरीका है, और हमारी ऑटोमेटेड इंटरनल लिंकिंग गाइड बताती है कि बिना शोर पैदा किए इसे बड़े पैमाने पर कैसे करें।
AI असिस्टेंट NLP के तर्क को उसके अंत तक ले जाते हैं। वे पूरे पेज रैंक नहीं करते: वे पैराग्राफ निकालते हैं, अर्थ के आधार पर उनकी तुलना सब-क्वेरी से करते हैं, और ऐसा जवाब जोड़ते हैं जो कभी-कभी स्रोत का हवाला देता है। इसके तीन नतीजे हैं।
AI जवाबों पर लागू पूरे तरीके के लिए हमारी LLM कंटेंट ऑप्टिमाइज़ेशन गाइड देखें।
ये वे गलतियाँ हैं जो हम ऑडिट की गई साइटों पर सबसे ज़्यादा देखते हैं। हर एक का एक लक्षण है जिसे आप पकड़ सकते हैं और एक सुधार है जिसे आप आज लागू कर सकते हैं।
यह क्या है: तब तक फिर से लिखना जब तक API आपके कीवर्ड को ऊँचा सैलिएंस न दे, या कोई टूल हरा स्कोर न दिखाए। कैसे पहचानें: ऑप्टिमाइज़ेशन के बाद पेज पढ़ने में खराब हो जाता है; एक ही वाक्यांश हर पैराग्राफ में आता है। कैसे ठीक करें: सैलिएंस का उपयोग सिर्फ़ एंटिटी का क्रम जाँचने के लिए करें, फिर पेज को जवाबों और Search Console डेटा से परखें। Google ने कभी नहीं कहा कि वह रैंकिंग में इस API के स्कोर का उपयोग करता है।
यह क्या है: किसी वाक्य में "क्रॉल बजट" जोड़ देना क्योंकि पाँच प्रतिस्पर्धी उसका ज़िक्र करते हैं। कैसे पहचानें: शब्द एक बार, संदर्भ से बाहर, बिना व्याख्या के आते हैं। कैसे ठीक करें: हर गायब एंटिटी को एक सवाल बनाएँ: क्या मेरे पाठक को इसकी ज़रूरत है? अगर हाँ, तो एक पैराग्राफ लिखें; अगर नहीं, तो छोड़ दें।
यह क्या है: मेन्यू और फ़ुटर समेत पूरा पेज NLP टूल में चिपकाना। कैसे पहचानें: आपकी शीर्ष एंटिटी आपका ब्रांड नाम, "कुकी", "संपर्क करें" या फ़ुटर की कैटेगरी हैं। कैसे ठीक करें: कोई भी विश्लेषण चलाने से पहले सिर्फ़ लेख का मुख्य हिस्सा निकालें।
यह क्या है: किसी पुराने ट्यूटोरियल को मौजूदा एंडपॉइंट के साथ फ़ॉलो करना। कैसे पहचानें: JSON रिस्पॉन्स में एंटिटी और उल्लेख हैं पर सैलिएंस नहीं। कैसे ठीक करें: सैलिएंस के लिए /v1/documents:analyzeEntities कॉल करें, और याद रखें कि v1 बदल सकता है।
यह क्या है: ऐसे पैराग्राफ जहाँ "यह", "वह" और "वे" कई वाक्य पहले की संज्ञाओं की ओर इशारा करते हैं। कैसे पहचानें: ऊपर की spaCy स्क्रिप्ट सर्वनाम से शुरू होने वाले वाक्य गिनती है; किसी अहम पेज पर हर पाँच में से एक से ज़्यादा वाक्य खतरे का संकेत है। कैसे ठीक करें: हर पैराग्राफ की शुरुआत में और हर हेडिंग के बाद संज्ञा दोबारा लिखें।
यह क्या है: एक ही URL जो किसी अवधारणा को परिभाषित करने, टूल की तुलना करने और प्रोडक्ट बेचने की कोशिश करता है। कैसे पहचानें: पेज कई क्वेरी के लिए 15 से 40 की पोज़िशन पर रैंक करता है और किसी के लिए भी शीर्ष 5 में नहीं। कैसे ठीक करें: प्रमुख इंटेंट रखें, बाकी को समर्पित पेजों पर ले जाएँ और उन्हें लिंक करें।
यह क्या है: किसी लक्षित शब्द संख्या या कीवर्ड डेंसिटी तक पहुँचने के लिए पेज को भरना। कैसे पहचानें: दोहराई गई भूमिकाएँ, सामान्य पैराग्राफ जो किसी भी पेज पर फ़िट हो जाएँ। कैसे ठीक करें: हर वह पैराग्राफ हटाएँ जो किसी ऐसे सवाल का जवाब नहीं देता जो पाठक पूछेगा। हमारा Keyword Density Calculator उलटे तरीके से उपयोगी है: यह पता करने के लिए कि आप कहाँ ज़रूरत से ज़्यादा दोहराते हैं।
यह क्या है: ऐसा ब्रांड या प्रोडक्ट नाम इस्तेमाल करना जिसे मशीन किसी आम शब्द या दूसरी कंपनी से अलग न कर सके। कैसे पहचानें: API आपके ब्रांड को बिना मेटाडेटा के OTHER या CONSUMER_GOOD के रूप में लौटाता है, या उसे गलत अवधारणा से जोड़ता है। कैसे ठीक करें: नाम के पास कैटेगरी लिखें, अपनी आधिकारिक प्रोफ़ाइलों की ओर sameAs के साथ Organization या Product स्ट्रक्चर्ड डेटा इस्तेमाल करें, और नाम हर जगह एक जैसा रखें।
एक पेज के लिए NLP SEO चेकलिस्ट
आपको बड़े टूल-सेट की ज़रूरत नहीं है। जिस सवाल का जवाब चाहिए, उसके हिसाब से टूल चुनें।
| टूल | प्रकार | यह क्या बताता है | ज़रूरी कौशल | सबसे अच्छा उपयोग |
|---|---|---|---|---|
| Google Cloud Natural Language | क्लाउड API (Google Cloud की कीमतें देखें) | एंटिटी, सैलिएंस (v1), कैटेगरी, सेंटिमेंट, सिंटैक्स | मध्यम: एक Google Cloud प्रोजेक्ट और कुछ कमांड | यह जाँचना कि Google का मॉडल आपके अहम पेज कैसे पढ़ता है |
| spaCy | ओपन-सोर्स Python लाइब्रेरी | एंटिटी, वाक्य संरचना, कर्ता, मूल रूप | बुनियादी Python | बिना किसी लागत के, लोकल रूप से कई पेजों का ऑडिट |
| Sentence Transformers | ओपन-सोर्स Python लाइब्रेरी | क्वेरी और पैराग्राफ के बीच अर्थ की समानता | बुनियादी Python | जवाब की जाँच, कैनिबलाइज़ेशन, इंटरनल लिंक की योजना |
| Google Search Console | Google का मुफ़्त टूल | वे क्वेरी जिनमें हर URL वास्तव में दिखता है | कोई नहीं | रीराइट का असर मापना |
| कंटेंट ऑप्टिमाइज़ेशन टूल | SaaS | टॉप पेजों के मुकाबले शब्दों और एंटिटी की कमियाँ | कोई नहीं | लिखने से पहले उप-विषयों की तेज़ जाँच |
| Sorank | autopilot पर चलने वाला SEO और GEO सॉफ़्टवेयर | रीराइट, टॉपिक क्लस्टर, AI विज़िबिलिटी ट्रैकिंग | कोई नहीं | पूरी साइट पर यह तरीका लागू करना |
व्यावसायिक विकल्पों की साथ-साथ समीक्षा के लिए हमारी सबसे अच्छे कंटेंट ऑप्टिमाइज़ेशन टूल वाली तुलना पढ़ें। अगर आपके पास ठीक करने के लिए दर्जनों पुराने पेज हैं, तो Sorank का Content Optimization फ़ीचर मौजूदा पेजों का ऑडिट करता है और उन्हें autopilot पर फिर से लिखता है, और Topic Cluster Generator लिखने से पहले आपके कीवर्ड को अर्थ के आधार पर समूहित करता है, जिसमें कैनिबलाइज़ेशन के ख़िलाफ़ जाँच पहले से शामिल है।
NLP बदलाव समझ के बारे में हैं, इसलिए पहले समझ मापें, फिर ट्रैफ़िक।
Google Search Console में परफ़ॉर्मेंस रिपोर्ट को फिर से लिखे गए URL पर फ़िल्टर करें और 28 दिनों में इम्प्रेशन वाली अलग-अलग क्वेरी गिनें, पहले और बाद में। बेहतर समझा गया पेज आमतौर पर कुछ ही हफ़्तों में ज़्यादा लॉन्ग-टेल रूपों के लिए दिखने लगता है, अक्सर क्लिक बढ़ने से पहले।
पैराग्राफ जाँच में इस्तेमाल किए गए 5 से 10 सवालों को ट्रैक करें। अगर इम्प्रेशन बढ़ते हैं पर पोज़िशन नहीं, तो पेज समझा तो गया है पर पसंद नहीं किया गया: गहराई, उदाहरणों और लिंक पर काम करें।
पहले और बाद में ChatGPT, Gemini, Claude और Perplexity में वही प्रॉम्प्ट पूछें, और नोट करें कि आपका पेज उद्धृत होता है या नहीं। इसे हर महीने दोहराएँ: AI जवाब हर बार बदलते हैं, इसलिए एक जाँच से कुछ साबित नहीं होता। इस जाँच के संरचित रूप के लिए, एक पेज के बजाय पूरे क्लस्टर पर सिमेंटिक SEO ऑडिट चलाएँ।
वह पेज चुनें जो आपको सबसे ज़्यादा कारोबार देता है और उस पर छह चरणों वाला ऑडिट चलाएँ। जो पहली दो समस्याएँ मिलें उन्हें ठीक करें, आमतौर पर ऐसी मुख्य एंटिटी जो हावी नहीं है और ऐसा जवाब वाला पैराग्राफ जो बहुत अस्पष्ट है। फिर तारीख नोट करें, और चार हफ़्ते बाद Search Console में उसकी क्वेरी जाँचें।
SEO में NLP का मतलब है अपने कंटेंट को भाषा मॉडलों के लिए समझने में आसान बनाना: पेज कौन-सी एंटिटी कवर करता है, हर पैराग्राफ किन सवालों का जवाब देता है और पेज साइट के बाकी हिस्से से कैसे जुड़ा है। Google 2019 से सर्च में BERT जैसे भाषा मॉडलों का उपयोग करता है, और AI असिस्टेंट पूरी तरह उन्हीं पर निर्भर हैं, इसलिए स्पष्ट और बिना अस्पष्टता वाला लेखन व्यवहार में रैंकिंग और साइटेशन का कारक बन गया है।
Google का ऐसा कोई सार्वजनिक बयान नहीं है जो कहे कि उसके Cloud Natural Language API का सैलिएंस स्कोर रैंकिंग में इस्तेमाल होता है। यह स्कोर यह जाँचने का उपयोगी संकेतक है कि आपका मुख्य विषय पेज पर हावी है या नहीं, लेकिन आपको किसी संख्या के पीछे भागने के बजाय एंटिटी का क्रम पढ़ना चाहिए। ध्यान दें कि सैलिएंस सिर्फ़ API का संस्करण 1 लौटाता है।
spaCy और Sentence Transformers एंटिटी एक्सट्रैक्शन और पैराग्राफ की समानता मापने के लिए मुफ़्त, ओपन-सोर्स Python लाइब्रेरी हैं। इसके बाद Google Search Console, जो मुफ़्त भी है, दिखाता है कि फिर से लिखा गया पेज ज़्यादा क्वेरी में दिखता है या नहीं। Google Cloud Natural Language सैलिएंस और कैटेगरी जोड़ता है, जिसका बिल Google Cloud की कीमतों के अनुसार बनता है।
