Beállítások

A magánszféra fontos számunkra, ezért lehetőséged van kikapcsolni bizonyos típusú tárolókat, amelyekre a weboldal alapvető működéséhez nincs szükség. A kategóriák letiltása befolyásolhatja a weboldal használatának élményét. További információ (Sütikezelési szabályzat)

NLP SEO: így olvassa a Google és az AI a tartalmadat, és így írj nekik

Ismerd meg, hogyan működik az NLP a Google és az AI keresőiben: entitások, salience, embeddingek, 6 lépéses oldalaudit kóddal, írási szabályok és hibák.

Közzétéve
16/11/2026
Frissítve
16/11/2026
Olvasási idő
23 perc
NLP SEO: így olvassa a Google és az AI a tartalmadat, és így írj nekik

Eszközök

Ezen az oldalon

Röviden

az NLP SEO azt jelenti, hogy úgy írod és strukturálod az oldalaidat, hogy a Google és az AI-asszisztensek nyelvi modelljei pontosan értsék, miről szól az oldal: milyen entitásokat fed le, melyik kérdésre felelnek az egyes szövegrészek, és hogyan kapcsolódik a webhely többi részéhez. A gyakorlatban a szövegedet ugyanolyan típusú eszközökön futtatod át (entitáskinyerés, osztályozás, embeddingek), kijavítod, amit a gép félreolvas, és átírod a mondatokat úgy, hogy a fő téma, a tulajdonságai és a válaszok egyértelműek legyenek. Ez nem új rangsorolási trükk: a kétértelműség megszüntetésének módja, és éppen a kétértelműség miatt veszítesz helyezéseket és AI-hivatkozásokat.

Szeretnél többet megtudni? Kérdezd meg

Gyors kvíz

Neked való a SEO, és hogyan kezdd el?

1. kérdés, összesen 425%
Keresik az emberek a Google-ben, amit eladsz?

Mit jelent valójában az NLP SEO (és mit nem)

A természetesnyelv-feldolgozás (natural language processing, NLP) az AI azon ága, amely az emberi szöveget olyan adattá alakítja, amellyel a gép érvelni tud: szavakká, mondatokká, entitásokká, kapcsolatokká és jelentéssé. Ha előbb az általános definíciót szeretnéd, olvasd el a natural language processing szócikkünket. A SEO szempontjából fontos definíció szűkebb: az NLP az, ahogyan a keresőmotor eldönti, mit jelent az oldalad, mielőtt eldönti, hová rangsorolja.

Az NLP SEO-nak ezért három rétege van. Mindháromra szükséged van az eredményhez.

  1. Megérteni, hogyan olvasnak a motorok. A Google a BERT óta használ nyelvi modelleket a rangsorolásban, az AI-asszisztensek pedig teljes egészében ezekre épülnek. A hibáik (homályos alanyok, névmásláncok, hiányzó definíciók) előre láthatók.
  2. Mérni, hogyan olvassák az oldaladat. A saját szövegedet nyilvános NLP-eszközökön futtathatod át, és megnézheted, milyen entitások jönnek ki, milyen kategóriába kerül a szöveg, és melyik szövegrész illik egy kereséshez.
  3. Világosan írni és strukturálni. Kijavítod, amit az eszközök félreolvasnak: megnevezed a dolgokat, definiálod őket, tulajdonságokat kapcsolsz hozzájuk, és a megfelelő oldalakra linkeled őket.

Ami az NLP SEO nem: nem arról szól, hogy „NLP-kulcsszavak” listáját zsúfolod egy oldalra, és nem arról, hogy egy tartalomeszköz pontszámát hajszolod. A Google nyíltan kimondja a hasznos, megbízható, embereknek szóló tartalom készítéséről szóló útmutatójában: ha egy bizonyos szószámra írsz, mert hallottad, hogy a Google azt kedveli, a válasz: „Nem, nem kedveljük.” Ugyanez a logika érvényes a kifejezéslistákra. A cél az, hogy megértsenek, nem az, hogy optimalizáltnak tűnj.

Miért változtatta meg a nyelvértés a SEO-t

10-ből 1angol nyelvű amerikai keresést értett jobban a BERT a bevezetéskor (2019. október)
1000xerősebb a BERT-nél a Google szerint a MUM modell (2021. május)
75nyelven tanították a MUM-ot

Források: Google, Pandu Nayak, „Understanding searches better than ever before” (2019) és „MUM: A new AI milestone for understanding information” (2021)

A karakterláncoktól a dolgokig

Amikor a Google bemutatta a BERT-et, Pandu Nayak (Google Fellow és a Keresés alelnöke) a 2019. október 25-i hivatalos bejelentésben elmagyarázta, hogy a modell segít a Keresésnek jobban megérteni minden tizedik angol nyelvű amerikai keresést. A példája a „2019 brazil traveler to usa need a visa” keresés volt: a BERT előtt a „to” szót a rendszer nagyrészt figyelmen kívül hagyta, és a Google Brazíliába utazó amerikaiakról adott találatokat. A BERT után az utazás iránya érthetővé vált. Ez az egyetlen elöljárószó az NLP SEO dióhéjban: a kis szavak jelentést hordoznak, és a modellek ma már elolvassák őket. A BERT-algoritmusról szóló szócikkünk mélyebben bemutatja magát a modellt.

Két évvel később a Google egy 2021. május 18-i bejegyzésben mutatta be a MUM-ot, amelyet a BERT-nél 1000-szer erősebbnek írt le, 75 nyelven tanítva. A példa egy túrázó volt, aki megmászta a Mt. Adamst, és a következő ősszel a Mt. Fujira készülne: olyan kérdés, amelyhez két entitást kell összevetni, és ki kell következtetni, mit jelent a „felkészülni”. Ma az AI Overviews, a ChatGPT, a Perplexity és a Gemini ugyanezen az elven működik: szövegrészeket olvas, entitásokat azonosít, és válaszokat állít össze. Az oldalad ennek a folyamatnak a nyersanyaga.

Hogyan olvassák az oldaladat a keresők és az AI: az NLP-folyamat

Nem kell ismerned a matematikát. A lépéseket kell ismerned, mert minden lépés egy pont, ahol az oldaladat félreolvashatják. Íme a folyamat abban a sorrendben, ahogyan egy tipikus rendszer lefuttatja.

A 7 lépés, amelyen egy gép végigmegy az oldalad olvasásakor

  1. A fő tartalom kinyeréseA navigációt, a láblécet, a sütibannereket és az oldalsávokat elválasztja a törzsszövegtől. A vékony vagy rendezetlen sablonok elmossák ezt a lépést.
  2. Mondatokra és tokenekre bontásA szöveget mondatokra, majd tokenekre (szavakra vagy szórészekre) bontja. A nagyon hosszú mondatok és a hiányzó írásjelek rontják ezt a lépést.
  3. Címkézés és elemzésMinden token szófajt és mondatbeli szerepet kap: alany, állítmány, tárgy, bővítmény.
  4. Entitások felismeréseA termékek, személyek, helyek, fogalmak és számok neveit felismeri és típusba sorolja (szervezet, hely, ár, dátum...).
  5. Entitások összekapcsolásaMinden entitást egy tudásbázis ismert fogalmához rendel, így a „Jaguar” az autómárka vagy az állat lesz.
  6. Szövegrészek beágyazásaA mondatokat és szövegrészeket vektorokká alakítja, hogy a jelentést közös szavak nélkül is össze lehessen vetni a kereséssel.
  7. Osztályozás és pontozásAz oldal témákat, szándékprofilt és egyes rendszerekben hangulatértéket kap. A szövegrészeket a keresésekhez viszonyítva rangsorolja.

Mit jelent az egyes lépés a tartalmadra nézve

Az alábbi táblázat minden NLP-feladathoz hozzárendeli az oldalon jelentkező konkrét kockázatot és a javítást, amely a te kezedben van.

NLP-feladatMit csinál a gépTipikus probléma az oldalonMit változtatsz
Sablontartalom eltávolításaElválasztja a fő tartalmat a sablontólA bevezető 600 szónyi menü és widget mögé van temetveTedd a választ a fő tartalom első bekezdésébe, egyszerű HTML-ben
Mondatokra bontásMondatokra vágja a szövegetÁllítmány nélküli felsoroláselemek, 60 szavas mondatokMondatonként egy gondolat, teljes mondatok a tényeket hordozó listákban
Függőségi elemzésMegkeresi az alanyt, az állítmányt és a tárgyatAz alany „ez” vagy „az”, három mondatnyira a főnevétőlIsmételd meg a főnevet, tartsd közel egymáshoz az alanyt és az állítmányt
Névelem-felismerésFelismeri és típusba sorolja a neveketA termékedet ötféleképpen írjákVálassz egy kanonikus nevet, a változatokat csak bemutatásuk után használd
Entitás-összekapcsolásA neveket ismert fogalmakhoz rendeliKétértelmű márkanév, kontextus nélkülÍrd a kategóriát a név mellé („a Sorank, a SEO-szoftver...”), és használj sémát sameAs-szal
EmbeddingekÖsszeveti a keresés és a szövegrész jelentésétA válaszként szánt szövegrész általános, bármelyik oldalon szerepelhetneÍrj olyan szövegrészeket, amelyek visszaadják a kérdés kifejezéseit, és konkrét választ adnak
OsztályozásTémákat és szándékot rendel hozzáBlogszerű kitérőkkel teli termékoldalURL-enként egy domináns szándék, a többi szándék más oldalakra kerül

Megjegyzés

A Google-on kívül senki sem ismeri a rangsorolásban használt pontos modelleket. Az útmutatóban szereplő eszközök helyettesítők: úgy olvassák a szöveget, ahogy a modern nyelvi modellek, nem úgy, ahogy a Google rangsorolási rendszere. Arra használd őket, hogy megtaláld a kétértelműséget, ne arra, hogy helyezéseket jósolj.

Illusztráció egy weboldalról, amelynek szövege összekapcsolt kék csomópontok hálózatává alakul, amelyek entitásokat és kapcsolataikat jelölik.
Az NLP az oldalad szavait entitásokká és kapcsolatokká alakítja: minél világosabbak, annál jobban érti az oldalt a Google és az AI-asszisztensek.

Az oldaladon mérhető NLP-jelek

Öt jel mérhető ingyenes vagy olcsó eszközökkel. Mindegyik mást árul el, és önmagában egyik sem rangsorolási tényező.

Entitások és salience

Az entitás egy megnevezett „dolog”: márka, termék, személy, hely, vagy olyan fogalom, mint a „kulcsszó-kannibalizáció”. A Google Cloud Natural Language API minden entitáshoz visszaad egy típust, az előfordulásait, és az API 1-es verziójában egy salience-pontszámot (mennyire központi az entitás). A v1 Entity referencia így írja le: „the salience score associated with the entity in the [0, 1.0] range”. Az entitástípusok: UNKNOWN, PERSON, LOCATION, ORGANIZATION, EVENT, WORK_OF_ART, CONSUMER_GOOD, OTHER, PHONE_NUMBER, ADDRESS, DATE, NUMBER és PRICE.

A salience a dokumentumhoz viszonyított érték: egy szöveg összes entitásának pontszáma versenyez egymással. A hasznos olvasat tehát a sorrend, nem a szám. Ha az oldalad az „NLP SEO” kifejezést célozza, és a legfelső entitás a „Google”, akkor a gép számára az oldal főleg a Google-ről szól. A részleteket az entity salience szócikkünkben találod.

Figyelem: v1 és v2

A Natural Language API v2-es Entity objektuma csak a name, type, metadata, mentions és sentiment mezőket tartalmazza: nincs salience mező. Ha egy útmutató salience-pontszámokat mutat, akkor a v1-et hívja. Ha ma írsz szkriptet, a salience-hez kifejezetten a v1 végpontot hívd, és ellenőrizd a dokumentációt, mielőtt támaszkodsz rá.

A Google Cloud Natural Language termékoldala, az API-é, amellyel entitásokat, kategóriákat és hangulatot lehet kinyerni szövegből.
Google Cloud Natural Language: az API nyilvános termékoldala, amely entitásokat, salience-t (v1), kategóriákat és hangulatot ad vissza.

Tartalomkategóriák

A classifyText metódus egy rögzített taxonómia kategóriáit adja vissza (például egy /Internet & Telecom/Web Services típusú útvonalat). A Google Natural Language alapjairól szóló dokumentációja szerint az osztályozáshoz legalább húsz tokenből álló szöveg kell. A haszna a SEO-ban: ha egy „SEO-szoftverre” szánt oldal egy általános marketingkategóriába kerül, a szókincse túl általános.

Hangulat (sentiment)

A hangulatelemzés -1,0 (negatív) és 1,0 (pozitív) közötti pontszámot ad vissza, valamint egy magnitúdót, amely azt méri, mennyi érzelmet hordoz a szöveg. Dokumentumszinten a magnitúdó 0,0-ról indul, és nincs normalizálva, így egy vegyes véleményeket tartalmazó hosszú szöveg semleges pontszámot és magas magnitúdót is mutathat. A SEO-ban a hangulat leginkább értékelő oldalakon, összehasonlításokban és „legjobb X” listákon számít, ahol egy lapos, vélemény nélküli szöveg olyan kérdésre felel, amely véleményt kér.

Szintaxis

A szintaktikai elemzés minden token szófaját, szótövét (lemma) és függőségi viszonyát adja vissza. Két ellenőrzést érdemes lefuttatni: milyen gyakran nyelvtani alany a fő entitásod egy mondatban, és hány mondat kezdődik névmással („Ez”, „Az”, „Ők”). Az az oldal, ahol a fő entitás sok mondat alanya, róla beszél, nem körülötte.

Embeddingek és szövegrész-hasonlóság

Az embeddingek egy szövegrészt vektorrá alakítanak. Ha egy keresés vektorát összeveted a szövegrészeid vektoraival (koszinusz-hasonlóság), látod, melyik szövegrészt választaná egy visszakereső rendszer az adott keresésre. Ez a legközelebbi nyilvános helyettesítője annak, ahogyan az AI-asszisztensek kiválasztják az idézett részletet. Ez egyben a legjobb próba arra, hogy az oldal valóban megválaszolja-e a kérdést, vagy csak megemlíti.

Az NLP SEO módszereinek összehasonlítása

Az „NLP SEO” hat különböző módszert takar. A szolgáltatók általában egyet árulnak közülük, mintha az lenne az egész terület. Íme mindegyik, azzal együtt, mikor érdemes használni, és hol nem működik már.

1. Entitásoptimalizálás

Elv: azonosítsd azokat az entitásokat, amelyeket egy teljes válasznak tartalmaznia kell (a fő entitás, a tulajdonságai, a kapcsolódó entitások), és ellenőrizd, hogy az oldalad egyértelműen megnevezi-e őket, és a fő entitás dominál-e. Mikor használd: termékről, márkáról, személyről, helyről vagy jól körülhatárolt fogalomról szóló oldalakon. Erősségek: megfelel annak, ahogyan a tudásgráfok és az AI-válaszok épülnek, és a gyökerénél szünteti meg a kétértelműséget. Korlátok: az entitáskinyerés kihagyja a szakzsargont és az új fogalmakat; a Google API v2-ben nincs salience. Példa: egy „Shopify SEO” oldal, ahol a „WordPress” egy hosszú összehasonlító bekezdés miatt a legfelső entitások közé kerül: a bekezdés külön oldalra költözik, és a Shopify-oldal fókuszt nyer. Az entitás-SEO-ról szóló útmutatónk a stratégiai oldalt tárgyalja.

2. Kifejezéslefedettség (TF-IDF és együttes előfordulás)

Elv: hasonlítsd össze a legjobban rangsorolt oldalak kifejezéseit a sajátjaiddal, specifikusságuk szerint súlyozva (TF-IDF), és töltsd ki a hiányokat. A legtöbb tartalompontozó eszköz ezt teszi. Mikor használd: egy informatív oldalon elfelejtett altémák megtalálására. Erősségek: gyors, és könnyű elmagyarázni egy szövegírónak. Korlátok: a találati oldal átlagát másolja, jutalmazza az ismétlést, és semmit sem mond arról, hogy megválaszolod-e a kérdést. A kifejezéslista az altémák ellenőrzőlistája, nem szókvóta. Példa: a „technikai SEO audit” legjobb oldalai mind említik a „crawl budget” és a „canonical” kifejezést, a tiéd nem: két hiányzó szakasz, nem két hiányzó szó.

3. Embedding-hasonlóság

Elv: a kereséseket és a szövegrészeket vektorként kódolod, és méred, mennyire közel vannak egymáshoz. Mikor használd: annak ellenőrzésére, hogy minden célkérdéshez legyen egy szövegrész, amely egyértelműen megválaszolja, két ugyanarra a jelentésre versengő oldal felderítésére, és a belső linkek jelentés szerinti feltérképezésére. Erősségek: közös szavak nélkül is működik, és közel áll ahhoz, ahogyan az AI-válaszok visszakeresése zajlik. Korlátok: a pontszámok a modelltől függenek; a magas pontszám azt jelenti, hogy „témába vág”, nem azt, hogy „helyes” vagy „hasznos”. Példa: a „mennyi idő alatt hat a SEO” kérdésre válaszoló szövegrész alacsonyabb pontot kap, mint egy nem kapcsolódó bevezető bekezdés: a válasz túl homályos, ezért átírják, és az időtáv kerül előre.

4. Szándékosztályozás

Elv: osztályozd a keresést (információs, kereskedelmi, tranzakciós, navigációs) és a formátumot, amelyet a Google jutalmaz (útmutató, lista, eszköz, termékoldal), majd igazodj hozzá. Mikor használd: írás előtt, és amikor egy jó oldal egyáltalán nem rangsorol. Erősségek: a legdrágább hibát javítja: a rossz formátumot. Korlátok: léteznek vegyes találati oldalak; a szándék idővel változik. Lásd a keresési szándékról szóló szócikkünket.

5. Kérdések és szövegrészek bányászata

Elv: gyűjtsd össze, milyen kérdéseket tesznek fel az emberek („Mások ezeket kérdezték még”, fórumok, AI-promptok, ügyfélszolgálati jegyeid), és adj mindegyiknek önálló szövegrészt. Mikor használd: AI-láthatósághoz és kiemelt részletekhez. Erősségek: közvetlenül idézhető szövegrészeket eredményez. Korlátok: mélység nélküli GYIK-re darabolhatja az oldalt, ha nem csoportosítod a kérdéseket altémák szerint.

6. Témamodellezés és klaszterezés

Elv: csoportosítsd a kulcsszavakat és az oldalakat jelentés szerint, hogy eldöntsd, melyik oldal mit fed le, majd linkeld őket. Mikor használd: webhelyszinten, tartalomgyártás előtt, és amikor az oldalak kannibalizálják egymást. Erősségek: témaautoritást és tiszta architektúrát épít. Korlátok: a találati átfedés szerinti és az embedding szerinti klaszterezés eltérő csoportokat ad; kell egy szabály a döntéshez. A kulcsszó-klaszterezésről szóló útmutatónk mindkét megközelítést részletezi, a topical map szócikk pedig elmagyarázza, hogyan lesz a klaszterekből terv.

MódszerSzintMire a legjobbFő kockázatEszközök
EntitásoptimalizálásOldalTermék-, márka- és fogalomoldalakA salience-t rangsorolási tényezőként kezelniGoogle Cloud Natural Language (v1), spaCy
Kifejezéslefedettség (TF-IDF)OldalHiányzó altémák megtalálásaA találati oldal átlagát megírni, túltömésTartalompontozó eszközök, Python scikit-learn
Embedding-hasonlóságSzövegrész és webhelyVálaszminőség, kannibalizáció, belső linkekÖsszekeverni a „témába vág” és a „jó” fogalmátSentence Transformers, vektoradatbázisok
SzándékosztályozásKeresés és oldalA megfelelő formátum kiválasztásaA vegyes találati oldalak figyelmen kívül hagyásaTalálati oldalak kézi átnézése, osztályozók
KérdésbányászatSzövegrészAI-hivatkozások, kiemelt részletekFelszínes GYIK-oldalak„Mások ezeket kérdezték még”, promptkutatás
TémaklaszterezésWebhelyArchitektúra, témaautoritásKövetkezetlen klaszterszabályokKlaszterező eszközök, embeddingek

Kifejezéslistás optimalizálás kontra entitások és szövegrészek

Kifejezéslista (TF-IDF-pontozás)
  • Gyors hiányellenőrzés a versenytársakhoz képest
  • Jutalmazza a szóismétlést
  • A találati oldal átlagát másolja
  • Semmit sem mond a válasz minőségéről
Entitások és szövegrészek
  • Megszünteti a fő témával kapcsolatos kétértelműséget
  • Az AI által idézhető szövegrészeket ad
  • Nyelveken és szinonimákon átívelően működik
  • Kicsit több előkészítést igényel

Lépésről lépésre: egy oldal NLP-auditja

Ezt a módszert javasoljuk kezdésnek: egy fontos oldal, egy délután. Kell hozzá az oldal szövege, három-öt versenytárs oldal, és vagy az ingyenes online eszközök, vagy néhány sor Python.

Az oldal NLP-auditja 6 lépésben

  1. Tiszta szöveg kinyeréseMásold szövegfájlokba csak a fő tartalmat (menü és lábléc nélkül) a saját oldaladról és 3-5 legjobban rangsorolt oldalról.
  2. Entitások listázásaFuttasd az entitáskinyerést. Jegyezd fel minden oldal 10 legfontosabb entitását és a sorrendjüket.
  3. A fő entitás ellenőrzéseA célfogalmadnak a saját oldaladon az első 3 között kell lennie. Ha nincs ott, keresd meg, melyik entitás viszi el a fókuszt.
  4. A hiányzó entitások feltérképezéseA legtöbb versenytársnál meglévő, nálad hiányzó entitások altéma-jelöltek, nem beszúrandó szavak.
  5. Szövegrészek tesztelése kérdésekkelÍrd le azt az 5-10 kérdést, amelyre az oldalnak felelnie kell, és mérd meg, melyik szövegrész illik mindegyikhez.
  6. Átírás és újrafuttatásJavítsd a gyenge szövegrészeket, futtasd újra mindkét ellenőrzést, majd a következő hetekben kövesd az URL kereséseit a Search Console-ban.

1. és 2. lépés: entitások kinyerése spaCy-vel

A spaCy ingyenes, nyílt forráskódú Python-könyvtár. A kis angol modellje néhány másodperc alatt fut egy laptopon. Az alábbi szkript kilistázza az oldalad leggyakoribb entitásait és leggyakoribb nyelvtani alanyait: a második lista gyakran többet árul el, mint az első.

import spacy
from collections import Counter

nlp = spacy.load("en_core_web_sm")  # pip install spacy, majd: 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}")

# Ki az alany a mondataidban?
subjects = Counter(t.lemma_.lower() for t in doc if t.dep_ in ("nsubj", "nsubjpass"))
print(subjects.most_common(15))

# Hány mondat kezdődik homályos névmással?
vague = [s.text for s in doc.sents if s[0].lower_ in ("it", "this", "that", "they")]
print(len(vague), "mondat kezdődik névmással")

Olvasd el figyelmesen az alanyok listáját. Egy szoftvertermékről szóló oldalon, ha a „te” és az „ez” dominál, és a termék neve soha nem jelenik meg alanyként, az oldal cselekvéseket ír le anélkül, hogy megmondaná, ki végzi őket. Ez egy óra alatt javítható.

A spaCy dokumentációs oldala a nyelvészeti funkciókról, például a névelem-felismerésről és a függőségi elemzésről.
A spaCy dokumentációja a nyelvészeti funkciókról: entitásfelismerés, szófaji címkézés és függőségi elemzés, ingyenesen és nyílt forráskóddal.

3. lépés: salience lekérése a Google API-ból (v1)

A spaCy általános modelljei nem számolnak salience-t. Ehhez a Google Cloud Natural Language v1-es analyzeEntities végpontját kell hívnod. Hozz létre egy projektet, engedélyezd az API-t, hitelesíts a gcloud parancssorral, majd küldd el a szövegedet. Mentsd el ezt a kéréstörzset request.json néven:

{
  "document": {
    "type": "PLAIN_TEXT",
    "language": "en",
    "content": "Ide illeszd be az oldalad tiszta fő szövegét."
  },
  "encodingType": "UTF8"
}

Ezután hívd meg a végpontot:

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"

A válasz felsorolja az entitásokat a type, salience és mentions mezőkkel, és ha az entitás össze van kapcsolva, egy metadata objektummal, amely tartalmazhat egy wikipedia_url és egy mid (Knowledge Graph-azonosító) mezőt. Az az entitás, amelynek metaadataiban Wikipedia-URL szerepel, ismert fogalomhoz kapcsolódik; egy fontos entitás ennek hiányában kétértelmű vagy túl új lehet. Cseréld az analyzeEntities részt classifyText-re, hogy megkapd a tartalomkategóriákat. Mielőtt több száz oldalon futtatod, nézd meg az aktuális árakat és kvótákat a Google Cloudban.

5. lépés: szövegrészek tesztelése kérdésekkel, embeddingekkel

A Sentence Transformers könyvtár összeveti egy kérdés jelentését az oldalad minden szövegrészével. Az all-MiniLM-L6-v2 modell kicsi, és elég jó ehhez az ellenőrzéshez.

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  legjobb pontszám {scores[best]:.2f}: {passages[best][:100]}\n")

Két eredmény igényel beavatkozást. Ha egy kérdéshez nem az a legjobb szövegrész, amelyet a megválaszolására írtál, a válaszrészed túl általános. Ha egy kérdés legjobb pontszáma messze elmarad a többitől, az oldal valójában nem válaszolja meg. Ugyanazon az oldalon a kérdések pontszámait egymáshoz hasonlítsd, ne egy abszolút küszöbhöz: az értékek a modelltől függenek.

A Sentence Transformers dokumentációjának kezdőlapja, a könyvtáré, amellyel keresések és szövegrészek jelentését lehet összevetni.
Sentence Transformers: a nyílt forráskódú könyvtár, amellyel mérhető, mennyire áll közel egy szövegrész egy kérdéshez.

Tipp

Nincs Python? Az ingyenes LLM Readability Checker eszközünk pontozza, mennyire nyerhető ki egy oldal az AI számára, a Heading Structure Analyzer pedig megmutatja, hogy a H2 és H3 címsoraid jelzik-e a kérdéseket, amelyekre a szövegrészeid felelnek.

Írás az NLP-nek: működő mondatszintű szabályok

A legtöbb NLP-probléma az írásban oldódik meg, nem egy eszközben. Ezek a szabályok egyenesen a fenti folyamatból következnek: mindegyik megszüntet egy lépést, ahol a gép tévedhet.

Nevezd meg az alanyt, és tartsd meg

Minden szakasz első mondatában a fő entitás teljes nevét használd alanyként. Ne kezdj bekezdést „Ez” vagy „Az” szóval. A névmások rendben vannak egy bekezdésen belül, ha a főnév a közelben áll.

Definiálj „X egy olyan Y, amely Z” típusú mondattal

Az a definíció, amely megadja a kategóriát (Y) és a megkülönböztető jegyet (Z), a modell számára a legkönnyebben kinyerhető, az AI-asszisztens számára a legkönnyebben idézhető szerkezet. „Az entity salience egy 0 és 1 közötti pontszám, amely azt méri, mennyire központi egy entitás egy szövegben” többet ér három mondatnyi kontextusnál.

Kapcsold a tulajdonságokat az entitáshoz, ugyanabban a mondatban

Az árak, dátumok, méretek, kompatibilitások és korlátok az általuk leírt entitás mellett álljanak. „A Sorank követi a láthatóságot a ChatGPT-ben, a Geminiben, a Claude-ban és a Perplexityben” egyetlen kinyerhető tény. Ugyanez az információ egy címsorra, egy felsoroláselemre és egy lábjegyzetre szétosztva három töredék.

Minden dolognak egy kanonikus neve legyen

Válassz egy nevet minden termékhez, funkcióhoz és fogalomhoz. Egy szinonimát egyszer vezess be („query fan-out, vagyis az, ahogyan az AI-asszisztensek egy kérdést több keresésre bontanak”), utána tarts ki egyetlen alak mellett.

Előbb válaszolj, aztán magyarázz

Egy kérdést feltevő címsor alatt az első mondat adja meg a választ. A szövegrész többi része a feltételeket, a példát és a kivételeket. Ettől lesz egy szövegrész önálló.

Egy bekezdés NLP-átírás előtt és után

Előtte
  • „Ez segít, hogy láthatóbb legyél. Ez minden héten automatikusan megtörténik.”
  • Tisztázatlan alany: „ez” és „ez”
  • Nincs entitás, tulajdonság, szám
  • Bármelyik SaaS-oldalra beilleszthető
Utána
  • „A helyezéskövető minden hétfőn ellenőrzi a 200 célkulcsszavadat a Google-ben, és e-mailben elküldi a visszaesett oldalakat.”
  • Megnevezett alany: „a helyezéskövető”
  • Hozzákapcsolt tulajdonságok: kulcsszavak, kereső, gyakoriság, eredmény
  • Elég konkrét ahhoz, hogy tényként idézzék

Az „utána” mondat a szerkezetet szemlélteti, nem egy valódi terméket ír le: igazítsd a tulajdonságokat ahhoz, amit az oldalad ténylegesen kínál.

Python NLP szemantikus SEO-hoz: kulcsszavak csoportosítása és versengő oldalak megtalálása

A szemantikus SEO-hoz használt Python NLP ugyanazt a beágyazómodellt futtatja, mint a fenti szövegrész-teszt, csak teljes listákon: a kulcsszavaidon és a webhelyed oldalain. Két rövid szkript olyan kérdésekre válaszol, amelyekre egyetlen oldal ellenőrzése nem tud. Mely kulcsszavak tartoznak ugyanarra az oldalra? Melyik oldalaid versengenek ugyanazért a jelentésért? Mindkettő ingyen fut a saját gépeden, és mindkettő jelölteket ad, amelyeket neked kell átnézned, nem ítéleteket.

Környezet beállítása

Telepítsd a könyvtárakat virtuális környezetbe, hogy ne ütközzenek más Python-projektekkel:

python3 -m venv nlp-seo
source nlp-seo/bin/activate
pip install sentence-transformers scikit-learn

Az első futtatáskor egyszer letöltődik az all-MiniLM-L6-v2 modell. Utána mindkét szkript offline fut.

Kulcsszavak csoportosítása jelentés szerint

A klaszterezés a lapos kulcsszólistából olyan csoportokat képez, amelyekre egy oldal válaszolhat. Minden kulcsszó vektorrá alakul, és azok a kulcsszavak, amelyek vektorai koszinusz-távolságban közel vannak egymáshoz, ugyanabba a csoportba kerülnek. Tartsd a kulcsszavakat szövegfájlban, soronként egyet, és futtasd ezt a szkriptet:

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,  # koszinusz-távolság: az alacsonyabb érték szigorúbb csoportokat ad
    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)

A küszöbérték a lényeges beállítás. Kezdd 0.35-tel, és olvasd el a kimenetet. Ha nem összefüggő kulcsszavak kerülnek egy csoportba, csökkentsd. Ha egy oldal témája több csoportra oszlik, emeld. Az average linkage csökkenti a láncolódást, vagyis azt a jelenséget, amikor a lazán összefüggő kulcsszavak sora két össze nem tartozó csoportot köt össze.

Versengő oldalak megtalálása ugyanarra a jelentésre

A második szkript az oldalaidat hasonlítja össze egymással. Tegyél oldalanként egy sort egy tabulátorral tagolt fájlba, fejlécsorral, a url és a title oszlopokkal. A címek durva közelítések, ezért pontosabb teszthez illeszd be minden oldal első bekezdését a title oszlopba.

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:  # kiindulási érték: az eredmények elolvasása után állítsd be
            print(f"{score:.2f}  {rows[i][0]}  vs  {rows[j][0]}")

Minden kiírt pár jelölt, nem ítélet. Nyisd meg mindkét URL-t, és kérdezd meg, várna-e egy olvasó, hogy valamelyik oldal a másik kérdésére válaszol. Ha igen, vond össze a két oldalt, vagy tartsd az egyiket fő oldalnak, a másikat pedig szűkítsd le. A kulcsszó-kannibalizáció szócikk elmagyarázza, hogyan válassz.

SzkriptBemenetKimenetAmiről te döntesz
KulcsszócsoportokEgy kulcsszó soronkéntJelentésükben egyező kulcsszavak csoportjaiHogy minden csoporthoz egy vagy több oldal kell-e
Versengő oldalakURL és cím, vagy első bekezdés oldalankéntA küszöbödet meghaladó oldalpárokHogy összevonod, újrafókuszálod vagy mindkét oldalt megtartod-e

Három korlátnak van jelentősége:

  • A pontszámok a modelltől függenek. Csak ugyanabból a futtatásból származó párokat és csoportokat hasonlíts össze, és soha ne másolj küszöbértéket egy útmutatóból.
  • A beágyazások a jelentést ragadják meg, nem a szándékot. A „legjobb CRM-szoftver” és a „hogyan állíts be CRM-et” ugyanahhoz a témához tartozik, mégis más oldalt igényel, ezért ellenőrizd a szándékot, mielőtt bármit összevonnál.
  • A márkanevek, terméknevek és nagyon friss kifejezések gyengén kódolódhatnak. Ezeket a csoportokat kézzel ellenőrizd.

A szkriptek az oldalszintű párjai a fenti szövegrész-tesztnek: az egyik megmutatja, mi tartozik össze, a másik, hol fedik egymást az oldalaid. Ha nem szeretnéd karbantartani a szkripteket, a Topic Cluster Generator beépített kannibalizáció-ellenőrzéssel végzi el a csoportosítást.

NLP a szövegen túl: strukturált adatok, címsorok és belső linkek

A nyelvi modellek többet olvasnak a bekezdéseidnél. A szöveg körüli három elem erős jeleket hordoz.

Strukturált adatok, amelyek megnevezik az entitásaidat

A Schema.org jelölés önmagában nem rangsorolja az oldalt, de géppel olvasható formában közli, miről szól az oldal, és milyen ismert fogalmakra hivatkozik. Az about és a mentions tulajdonság, referenciaoldalakra mutató sameAs linkekkel, megszünteti a kétértelműséget az entitás-összekapcsolásnál.

<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>

Készítsd el és teszteld a sajátodat az ingyenes Schema Markup Generator és Structured Data Validator eszközeinkkel.

Címsorok mint tartalomjegyzék a gépeknek

A címsorok az elsők, amelyek alapján egy modell szövegrészekre bontja az oldaladat. Az entitást és a kérdést megnevező címsor („Hogyan számítják az entity salience-t”) tisztább részletet ad, mint egy szellemes („A motorháztető alatt”). Tartsd szigorúan a H2 és H3 hierarchiát: nincs H3 szülő H2 nélkül, nincs kihagyott szint.

Belső linkek mint a jelentés térképe

A horgonyszöveg a keresés egyik legrégebbi NLP-jele: kívülről mondja meg a motornak, miről szól a céloldal. Használj leíró horgonyszövegeket, amelyek megnevezik a célentitást, linkeld a jelentésben közeli oldalakat, és ne küldd ugyanazt a horgonyszöveget két különböző oldalra. A szemantikus kokon ennek a legstrukturáltabb módja, az automatizált belső linkelésről szóló útmutatónk pedig elmagyarázza, hogyan skálázd zaj nélkül.

NLP SEO az AI-keresésekhez: hogyan idézzen a ChatGPT, a Gemini és a Perplexity

Az AI-asszisztensek a végletekig viszik az NLP logikáját. Nem egész oldalakat rangsorolnak: szövegrészeket keresnek vissza, jelentés szerint összevetik őket részkeresésekkel, és olyan választ állítanak össze, amely néha megnevezi a forrást. Ebből három következmény adódik.

  1. Minden szövegrésznek önmagában is meg kell állnia. Nem az oldal kerül visszakeresésre, hanem egy darabja. Ha egy három szakasszal korábban adott definíciótól függ, veszít.
  2. Egy kérdésből több keresés lesz. Az asszisztensek egy promptot részkeresésekre bontanak (query fan-out). Az az oldal, amely a fő kérdést megválaszolja, de a természetes folytatásait (ár, alternatívák, korlátok, hogyan kezdj hozzá) nem, csak a keresettek egy részét fedi le. A Sorank Query Fan-Out Tracker funkciója megmutatja, milyen kereséseket futtat valójában az AI egy prompt mögött.
  3. Számít az entitásokkal kapcsolatos konszenzus. Az asszisztens magabiztosabb egy olyan tényben, amelyet több forrásban ugyanúgy megfogalmazva talál. Segít, ha a webhelyeden, a profiljaidon és a harmadik feles említésekben következetesek a nevek és a tulajdonságok. Az entity consensus szócikkünk ezt a réteget tárgyalja.

Az AI-válaszokra alkalmazott teljes módszerhez lásd az LLM-tartalomoptimalizálásról szóló útmutatónkat.

Gyakori NLP SEO hibák (és javításuk)

Ezeket a hibákat látjuk a leggyakrabban az auditált webhelyeken. Mindegyiknek van felismerhető tünete és ma elvégezhető javítása.

1. A salience vagy egy tartalompontszám rangsorolási tényezőként kezelése

Mi ez: addig írod át a szöveget, amíg az API magas salience-t nem ad a kulcsszavadnak, vagy amíg egy eszköz zöld pontszámot nem mutat. Hogyan veszed észre: az optimalizálás után rosszabbul olvasható az oldal; ugyanaz a kifejezés minden bekezdésben felbukkan. Hogyan javítsd: a salience-t csak az entitások sorrendjének ellenőrzésére használd, az oldalt pedig a válaszok és a Search Console adatai alapján ítéld meg. A Google soha nem mondta, hogy ennek az API-nak a pontszámait használja a rangsorolásban.

2. A versenytársak kifejezéseinek beszúrása szóként, nem tartalomként

Mi ez: beírod egy mondatba, hogy „crawl budget”, mert öt versenytárs említi. Hogyan veszed észre: a kifejezések egyszer fordulnak elő, kontextus és magyarázat nélkül. Hogyan javítsd: minden hiányzó entitásból kérdés lesz: szüksége van erre az olvasómnak? Ha igen, írj róla szövegrészt; ha nem, hagyd figyelmen kívül.

3. A teljes HTML elemzése a fő tartalom helyett

Mi ez: a teljes oldalt, menüvel és lábléccel együtt, bemásolod egy NLP-eszközbe. Hogyan veszed észre: a legfontosabb entitásaid a márkaneved, a „sütik”, a „kapcsolat” vagy a lábléc kategóriái. Hogyan javítsd: bármilyen elemzés előtt csak a cikk törzsszövegét nyerd ki.

4. A Google API v2 hívása, majd csodálkozás, hová lett a salience

Mi ez: egy régi útmutatót követsz a jelenlegi végponttal. Hogyan veszed észre: a JSON-válaszban vannak entities és mentions mezők, de salience nincs. Hogyan javítsd: a salience-hez a /v1/documents:analyzeEntities végpontot hívd, és ne feledd, hogy a v1 változhat.

5. Névmásláncok és homályos alanyok

Mi ez: olyan bekezdések, ahol az „ez”, „az” és „ők” több mondattal korábbi főnevekre utal. Hogyan veszed észre: a fenti spaCy-szkript megszámolja a névmással kezdődő mondatokat; egy kulcsoldalon minden ötödiknél több vészjel. Hogyan javítsd: ismételd meg a főnevet minden bekezdés elején és minden címsor után.

6. Egy oldal, több szándék

Mi ez: egyetlen URL, amely egyszerre próbál definiálni egy fogalmat, eszközöket összehasonlítani és terméket eladni. Hogyan veszed észre: az oldal sok keresésre rangsorol a 15-40. helyen, de egyikre sem az első 5-ben. Hogyan javítsd: tartsd meg a domináns szándékot, a többit vidd külön oldalakra, és linkeld őket.

7. Hosszra vagy sűrűségre írás

Mi ez: egy oldal feltöltése, hogy elérjen egy célszószámot vagy kulcsszósűrűséget. Hogyan veszed észre: ismétlődő bevezetők, bármelyik oldalra illő általános bekezdések. Hogyan javítsd: húzz ki minden szövegrészt, amely nem felel egy olvasó által feltehető kérdésre. A Keyword Density Calculator eszközünk fordítva hasznos: megmutatja, hol ismétled magad túl sokat.

8. Az entitás-összekapcsolás figyelmen kívül hagyása

Mi ez: olyan márka- vagy terméknevet használsz, amelyet a gép nem tud megkülönböztetni egy köznévtől vagy egy másik cégtől. Hogyan veszed észre: az API a márkádat OTHER vagy CONSUMER_GOOD típusként adja vissza metaadatok nélkül, vagy rossz fogalomhoz kapcsolja. Hogyan javítsd: írd a kategóriát a név mellé, használj Organization vagy Product sémát a hivatalos profiljaidra mutató sameAs-szal, és mindenhol ugyanazt a nevet használd.

NLP SEO ellenőrzőlista egy oldalhoz

  • A fő entitás neve szerepel az első mondatban és a H1-ben
  • A fő entitás az oldal első 3 entitása között van
  • Minden H2 vagy H3 egyszerű szavakkal jelez egy kérdést vagy altémát
  • Minden kérdést tartalmazó címsor alatt az első mondat adja a választ
  • Ötből kevesebb mint egy mondat kezdődik homályos névmással
  • Minden fontos tulajdonság ugyanabban a mondatban áll, mint az entitása
  • Minden terméknek, funkciónak és fogalomnak egy kanonikus neve van
  • A strukturált adatok sameAs linkekkel nevezik meg a fő entitást
  • A belső linkek leíró, a célt megnevező horgonyszöveget használnak
  • Nincs olyan kifejezés, amelyet csak azért szúrtál be, mert egy eszköz vagy versenytárs használja

NLP SEO eszközök: melyik mire jó

Nincs szükséged nagy eszköztárra. Az eszközöket aszerint válaszd, milyen kérdésre kell választ kapnod.

EszközTípusMit mond elSzükséges tudásLegjobb felhasználás
Google Cloud Natural LanguageFelhős API (lásd a Google Cloud árait)Entitások, salience (v1), kategóriák, hangulat, szintaxisKözepes: egy Google Cloud-projekt és néhány parancsEllenőrizni, hogyan olvassa egy Google-modell a kulcsoldalaidat
spaCyNyílt forráskódú Python-könyvtárEntitások, mondatszerkezet, alanyok, szótövekAlapszintű PythonSok oldal helyi, ingyenes auditálása
Sentence TransformersNyílt forráskódú Python-könyvtárJelentésbeli hasonlóság keresések és szövegrészek közöttAlapszintű PythonVálaszellenőrzés, kannibalizáció, belső linkek feltérképezése
Google Search ConsoleIngyenes Google-eszközA keresések, amelyekre az egyes URL-ek valóban megjelennekNincsEgy átírás hatásának mérése
Tartalomoptimalizáló eszközökSaaSKifejezés- és entitáshiányok a legjobb oldalakhoz képestNincsGyors altéma-ellenőrzés írás előtt
SorankSEO- és GEO-szoftver autopilot üzemmódbanÁtírások, témaklaszterek, AI-láthatóság követéseNincsA módszer alkalmazása egy teljes webhelyen

A kereskedelmi lehetőségek összehasonlításához olvasd el a legjobb tartalomoptimalizáló eszközökről szóló összevetésünket. Ha több tucat régebbi oldalt kell javítanod, a Sorank Content Optimization funkciója autopilot üzemmódban auditálja és átírja a meglévő oldalakat, a Topic Cluster Generator pedig írás előtt jelentés szerint csoportosítja a kulcsszavaidat, beépített kannibalizáció-ellenőrzéssel.

Hogyan mérd az NLP-munka hatását

Az NLP-változtatások a megértésről szólnak, ezért előbb a megértést mérd, aztán a forgalmat.

A keresések száma URL-enként

A Google Search Console Teljesítmény jelentésében szűrj az átírt URL-re, és számold meg a megjelenéssel rendelkező különböző kereséseket 28 napra, előtte és utána. A jobban értett oldal általában néhány héten belül több long tail változatra is megjelenik, gyakran még azelőtt, hogy a kattintások megmozdulnának.

Helyezés a megcélzott kérdésekre

Kövesd azt az 5-10 kérdést, amelyet a szövegrész-tesztben használtál. Ha a megjelenések nőnek, de a helyezés nem, az oldalt értik, de nem részesítik előnyben: dolgozz a mélységen, a példákon és a linkeken.

Hivatkozások az AI-válaszokban

Tedd fel ugyanazokat a promptokat a ChatGPT-ben, a Geminiben, a Claude-ban és a Perplexityben előtte és utána, és jegyezd fel, idézik-e az oldaladat. Ismételd meg havonta: az AI-válaszok futásról futásra változnak, így egyetlen teszt semmit sem bizonyít. Ennek az ellenőrzésnek a strukturált változatához végezz szemantikus SEO-auditot a teljes klaszteren, ne egyetlen oldalon.

Mit tegyél még ma

Válaszd ki azt az oldalt, amely a legtöbb üzletet hozza, és futtasd le rajta a hatlépéses auditot. Javítsd az első két problémát, amelyet találsz, ez általában egy nem domináns fő entitás és egy túl homályos válaszrész. Aztán jegyezd fel a dátumot, és négy hét múlva nézd meg a keresési adatait a Search Console-ban.

Gyakran ismételt kérdések

Mi az NLP a SEO-ban?

Az NLP a SEO-ban azt jelenti, hogy a tartalmadat könnyen érthetővé teszed a nyelvi modellek számára: milyen entitásokat fed le egy oldal, mely kérdésekre felelnek az egyes szövegrészek, és hogyan kapcsolódik az oldal a webhely többi részéhez. A Google 2019 óta használ a Keresésben olyan nyelvi modelleket, mint a BERT, az AI-asszisztensek pedig teljesen ezekre épülnek, így a világos, egyértelmű írás a gyakorlatban rangsorolási és hivatkozási tényezővé vált.

Rangsorolási tényező a Google-nél az entity salience?

A Google egyetlen nyilvános közleménye sem mondja, hogy a Cloud Natural Language API salience-pontszámát használná a rangsorolásban. A pontszám hasznos eszköz annak ellenőrzésére, hogy a fő témád dominál-e az oldalon, de az entitások sorrendjét figyeld, ne egy számot hajszolj. A salience-t csak az API 1-es verziója adja vissza.

Milyen ingyenes eszközöket használhatok az NLP SEO-hoz?

A spaCy és a Sentence Transformers ingyenes, nyílt forráskódú Python-könyvtárak entitáskinyeréshez és szövegrész-hasonlósághoz. Az ugyancsak ingyenes Google Search Console ezután megmutatja, hogy egy átírt oldal több keresésre jelenik-e meg. A Google Cloud Natural Language salience-t és kategóriákat ad hozzá, a használatot a Google Cloud árai szerint számlázzák.

Kérd ingyen a 30 napos tartalomtervedet

Elemezzük a versenytársaidat, a weboldaladat és az AI-keresőkben való láthatóságodat, hogy elkészíthessük a rád szabott, ingyenes tartalomtervet.

Ingyenes SEO-eszközeink

Összes ingyenes eszközünk megtekintése

Kérd ingyen a 30 napos tartalomtervedet

Elemezzük a versenytársaidat, a weboldaladat és az AI-keresőkben való láthatóságodat, hogy elkészíthessük a rád szabott, ingyenes tartalomtervet.

Sötét hajú, szakállas férfi világosbarna ingben egy mikrofon előtt beszél podcast vagy felvételi környezetben.Rövid sötét hajú férfi portréja fehér ingben és sötét dzsekiben, semleges arckifejezéssel néz a kamerába.Rövid sötét hajú, szakállas, átlátszó keretes szemüveges férfi fekete pólóban, fehér körlogóval, kőfal előtt áll.Celio fabianoMosolygó fiatal nő hosszú barna hajjal, piros felsőben és nyakláncban, fás környezetben a szabadban.Xavier Breull profilképe, a Sorank ügyfele
Google
Tömör sárga, ötágú csillag ikon átlátszó háttéren.Tömör sárga, ötágú csillag ikon átlátszó háttéren.Tömör sárga, ötágú csillag ikon átlátszó háttéren.Tömör sárga, ötágú csillag ikon átlátszó háttéren.Tömör sárga, ötágú csillag ikon átlátszó háttéren.
5/5
+5,000
felhasználó

Ambiciózus alapítók véleményei

0-ról 10000 látogatóra 5 hónap alatt

Celio Fabianomonrobotlavevitre.frGoogleE-commerce

0-ról 5000 látogatásra 8 hónap alatt

Thibault BMsorank.comGoogleSzoftver

0-ról 1104 kattintásra 4 hónap alatt

Dominiqueflight-sensations-idf.comGoogleSzabadidő és repülés

0-ról 163 kattintásra 6 hónap alatt

Coworking Pariscoworking-paris.frGoogleOffice broker

x92 kattintás 7 hónap alatt

Guide Zanzibarguidezanzibar.comGoogleUtazás