Preferenze

La privacy è importante per noi, quindi hai la possibilità di disabilitare alcuni tipi di archiviazione che potrebbero non essere necessari per il funzionamento di base del sito web. Il blocco delle categorie può influire sulla tua esperienza sul sito web. Ulteriori informazioni (Politica sui cookie)

SEO NLP: come Google e l'IA leggono i tuoi contenuti e come scrivere per loro

Scopri come l'NLP guida la ricerca di Google e dell'IA: entità, salienza, embedding, un audit in 6 passaggi con codice, regole di scrittura ed errori.

Pubblicato il
16/11/2026
Aggiornato il
16/11/2026
Tempo di lettura
27 min
SEO NLP: come Google e l'IA leggono i tuoi contenuti e come scrivere per loro

Strumenti

In questa pagina

In breve

la SEO NLP consiste nello scrivere e strutturare le pagine in modo che i modelli linguistici usati da Google e dagli assistenti IA capiscano esattamente di cosa parla la tua pagina: quali entità tratta, a quale domanda risponde ogni passaggio e come si collega al resto del sito. In pratica, fai passare il tuo testo negli stessi tipi di strumenti (estrazione di entità, classificazione, embedding), correggi ciò che la macchina legge male e riscrivi le frasi in modo che l'argomento principale, i suoi attributi e le sue risposte siano espliciti. Non è un nuovo trucco per posizionarsi: è un modo per eliminare l'ambiguità, ed è proprio l'ambiguità che ti fa perdere posizioni e citazioni nelle IA.

Vuoi approfondire? Chiedi a

Quiz veloce

La SEO fa per te, e come iniziare?

Domanda 1 di 425%
Le persone cercano su Google ciò che vendi?

Cosa significa davvero SEO NLP (e cosa non è)

L'elaborazione del linguaggio naturale (NLP, da Natural Language Processing) è il ramo dell'IA che trasforma il testo umano in dati su cui una macchina può ragionare: parole, frasi, entità, relazioni e significato. Se vuoi prima la definizione generale, leggi la nostra voce di glossario sull'elaborazione del linguaggio naturale. Per la SEO la definizione che conta è più ristretta: l'NLP è il modo in cui un motore di ricerca decide cosa significa la tua pagina prima di decidere dove posizionarla.

La SEO NLP ha quindi tre livelli. Ti servono tutti e tre per ottenere risultati.

  1. Capire come leggono i motori. Google usa modelli linguistici nel ranking da BERT in poi, e gli assistenti IA si basano interamente su di essi. I loro punti deboli (soggetti vaghi, catene di pronomi, definizioni assenti) sono prevedibili.
  2. Misurare come viene letta la tua pagina. Puoi far passare il tuo testo in strumenti NLP pubblici per vedere quali entità emergono, in quale categoria ricade il testo e quali passaggi corrispondono a una query.
  3. Scrivere e strutturare per la chiarezza. Correggi ciò che gli strumenti leggono male: dai un nome alle cose, le definisci, associ loro degli attributi e le colleghi alle pagine giuste.

Cosa non è la SEO NLP: non è infilare in una pagina un elenco di «parole chiave NLP», e non è inseguire il punteggio di uno strumento di contenuti. Google lo dice chiaramente nella sua guida sulla creazione di contenuti utili, affidabili e incentrati sulle persone: se scrivi per raggiungere un numero di parole perché hai sentito dire che Google ne preferisce uno, la risposta è «No». La stessa logica vale per gli elenchi di termini. L'obiettivo è essere capiti, non sembrare ottimizzati.

Perché la comprensione del linguaggio ha cambiato la SEO

1 su 10ricerche in inglese negli Stati Uniti comprese meglio grazie a BERT al suo lancio (ottobre 2019)
1000xpiù potente di BERT, secondo Google, è il suo modello MUM (maggio 2021)
75lingue su cui è stato addestrato MUM

Fonti: Google, Pandu Nayak, «Understanding searches better than ever before» (2019) e «MUM: A new AI milestone for understanding information» (2021)

Dalle stringhe alle cose

Quando Google ha introdotto BERT, Pandu Nayak (Google Fellow e vicepresidente di Search) ha spiegato nell'annuncio ufficiale del 25 ottobre 2019 che il modello avrebbe aiutato Search a capire meglio una ricerca su 10 negli Stati Uniti in inglese. Il suo esempio era la query «2019 brazil traveler to usa need a visa»: prima di BERT, la parola «to» veniva in gran parte ignorata e Google restituiva risultati su cittadini statunitensi diretti in Brasile. Dopo BERT, la direzione del viaggio veniva compresa. Quella sola preposizione riassume la SEO NLP: le parole piccole portano significato, e ora i modelli le leggono. La nostra voce di glossario sull'algoritmo BERT approfondisce il modello stesso.

Due anni dopo, Google ha presentato MUM in un articolo del 18 maggio 2021, descrivendolo come 1000 volte più potente di BERT e addestrato su 75 lingue. La query di esempio era quella di un escursionista che ha scalato il monte Adams e vuole prepararsi per il monte Fuji l'autunno successivo: una domanda che richiede di confrontare due entità e di dedurre cosa significhi «prepararsi». Oggi AI Overviews, ChatGPT, Perplexity e Gemini funzionano tutti sullo stesso principio: leggono passaggi, risolvono le entità e compongono risposte. La tua pagina è la materia prima di questo processo.

Come i motori e l'IA leggono la tua pagina: la pipeline NLP

Non hai bisogno di conoscere la matematica. Devi conoscere i passaggi, perché ogni passaggio è un punto in cui la tua pagina può essere letta male. Ecco la pipeline nell'ordine in cui la esegue un sistema tipico.

I 7 passaggi con cui una macchina legge la tua pagina

  1. Estrarre il contenuto principaleNavigazione, footer, banner dei cookie e barre laterali vengono separati dal corpo del testo. Template scarni o disordinati confondono questo passaggio.
  2. Dividere in frasi e tokenIl testo viene diviso in frasi, poi in token (parole o parti di parole). Frasi molto lunghe e punteggiatura mancante peggiorano questo passaggio.
  3. Etichettare e analizzare la sintassiOgni token riceve una parte del discorso e un ruolo nella frase: soggetto, verbo, complemento, modificatore.
  4. Riconoscere le entitàNomi di prodotti, persone, luoghi, concetti e numeri vengono individuati e tipizzati (organizzazione, luogo, prezzo, data...).
  5. Collegare le entitàOgni entità viene associata a un concetto noto in una base di conoscenza, così «Jaguar» diventa il marchio automobilistico o l'animale.
  6. Vettorializzare i passaggiFrasi e passaggi vengono trasformati in vettori per confrontarne il significato con la query, anche senza parole in comune.
  7. Classificare e assegnare un punteggioLa pagina riceve argomenti, un profilo di intento e, in alcuni sistemi, un sentiment. I passaggi vengono ordinati rispetto alle query.

Cosa implica ogni passaggio per i tuoi contenuti

La tabella seguente collega ogni attività NLP al rischio concreto su una pagina e alla correzione che hai in mano.

Attività NLPCosa fa la macchinaProblema tipico su una paginaCosa cambi
Rimozione del templateSepara il contenuto principale dal templateL'introduzione è sepolta sotto 600 parole di menu e widgetMettere la risposta nel primo paragrafo del contenuto principale, in HTML semplice
Segmentazione in frasiDivide il testo in frasiElenchi puntati senza verbo, frasi da 60 paroleUn'idea per frase, frasi complete negli elenchi che contengono fatti
Analisi delle dipendenzeTrova soggetto, verbo, complementoIl soggetto è «esso» o «questo», a tre frasi dal suo nomeRipetere il nome, tenere vicini soggetto e verbo
Riconoscimento delle entitàIndividua e tipizza i nomiIl tuo prodotto è scritto in cinque modi diversiScegliere un nome canonico, usare le varianti solo dopo averle presentate
Collegamento delle entitàAssocia i nomi a concetti notiNome di marchio ambiguo senza contestoAggiungere la categoria accanto al nome («Sorank, il software SEO...») e schema con sameAs
EmbeddingConfronta il significato di query e passaggioIl passaggio che dovrebbe rispondere è generico e andrebbe bene su qualsiasi paginaScrivere passaggi che riprendono i termini della domanda e danno una risposta precisa
ClassificazioneAssegna argomenti e intentoUna pagina prodotto piena di digressioni in stile blogUn intento dominante per URL, gli altri intenti spostati su altre pagine

Nota

Nessuno al di fuori di Google conosce i modelli esatti usati nel ranking. Gli strumenti di questa guida sono approssimazioni: leggono il testo come fanno i modelli linguistici moderni, non come fa il sistema di ranking di Google. Usali per trovare l'ambiguità, non per prevedere le posizioni.

Illustrazione di una pagina web il cui testo si trasforma in una rete di nodi blu collegati che rappresentano entità e relazioni.
L'NLP trasforma le parole della tua pagina in entità e relazioni: più sono chiare, meglio Google e gli assistenti IA la capiscono.

I segnali NLP che puoi misurare sulla tua pagina

Cinque segnali si misurano con strumenti gratuiti o economici. Ognuno ti dice qualcosa di diverso, e nessuno da solo è un fattore di ranking.

Entità e salienza

Un'entità è una «cosa» con un nome: un marchio, un prodotto, una persona, un luogo, un concetto come la «cannibalizzazione delle parole chiave». L'API Cloud Natural Language di Google restituisce per ogni entità un tipo, le sue menzioni e, nella versione 1 dell'API, un punteggio di salienza. Il riferimento Entity della v1 lo descrive come «the salience score associated with the entity in the [0, 1.0] range», cioè un punteggio di salienza compreso tra 0 e 1. I tipi di entità sono UNKNOWN, PERSON, LOCATION, ORGANIZATION, EVENT, WORK_OF_ART, CONSUMER_GOOD, OTHER, PHONE_NUMBER, ADDRESS, DATE, NUMBER e PRICE.

La salienza è relativa al documento: i punteggi di tutte le entità di un testo competono tra loro. La lettura utile è quindi la classifica, non il numero. Se la tua pagina punta a «SEO NLP» e l'entità in cima è «Google», per una macchina la pagina parla soprattutto di Google. Il dettaglio è nella nostra voce di glossario sulla salienza delle entità.

Attenzione: v1 o v2

L'oggetto Entity della v2 dell'API Natural Language contiene solo name, type, metadata, mentions e sentiment: non c'è il campo salience. Se un tutorial mostra punteggi di salienza, sta chiamando la v1. Se oggi scrivi uno script, chiama esplicitamente l'endpoint v1 per la salienza e controlla la documentazione prima di farci affidamento.

Pagina prodotto di Google Cloud Natural Language, l'API che estrae entità, categorie e sentiment da un testo.
Google Cloud Natural Language: la pagina prodotto pubblica dell'API che restituisce entità, salienza (v1), categorie e sentiment.

Categorie di contenuto

Il metodo classifyText restituisce categorie da una tassonomia fissa (per esempio un percorso come /Internet & Telecom/Web Services). La documentazione di Google sulle basi di Natural Language precisa che la classificazione richiede un testo di almeno venti token. L'uso in SEO: se una pagina pensata per «software SEO» viene classificata in una categoria di marketing generica, il suo vocabolario è troppo generico.

Sentiment

L'analisi del sentiment restituisce un punteggio da -1,0 (negativo) a 1,0 (positivo) e una magnitudo che misura quanta emozione porta il testo. A livello di documento la magnitudo parte da 0,0 e non è normalizzata, quindi un testo lungo con opinioni contrastanti può mostrare un punteggio neutro e una magnitudo alta. In SEO il sentiment conta soprattutto su pagine di recensioni, confronti ed elenchi dei «migliori X», dove un testo piatto e senza opinioni risponde male a una domanda che chiede un parere.

Sintassi

L'analisi sintattica restituisce per ogni token la parte del discorso, il lemma e la dipendenza. Due controlli valgono la pena: quanto spesso la tua entità principale è il soggetto grammaticale di una frase, e quante frasi iniziano con un pronome («Esso», «Questo», «Essi»). Una pagina in cui l'entità principale è soggetto di molte frasi parla di essa, non le gira intorno.

Embedding e somiglianza tra passaggi

Gli embedding trasformano un passaggio in un vettore. Confrontare il vettore di una query con quelli dei tuoi passaggi (somiglianza del coseno) mostra quale passaggio sceglierebbe un sistema di recupero per quella query. È l'approssimazione pubblica più vicina al modo in cui gli assistenti IA scelgono il frammento che citano. È anche il miglior test per capire se la pagina risponde davvero alla domanda o si limita a menzionarla.

I metodi di SEO NLP a confronto

«SEO NLP» comprende sei metodi diversi. I fornitori di solito ne vendono uno come se fosse l'intero campo. Eccoli tutti, con quando usarli e dove smettono di funzionare.

1. Ottimizzazione delle entità

Principio: individuare le entità che una risposta completa deve contenere (l'entità principale, i suoi attributi, le entità correlate), verificare che la pagina le nomini con chiarezza e che l'entità principale domini. Quando usarlo: su pagine dedicate a un prodotto, un marchio, una persona, un luogo o un concetto ben definito. Vantaggi: corrisponde a come vengono costruiti i knowledge graph e le risposte IA, e corregge l'ambiguità alla radice. Limiti: l'estrazione delle entità perde il gergo di settore e i concetti nuovi; la salienza non è disponibile nella v2 dell'API di Google. Esempio: una pagina su «SEO per Shopify» in cui «WordPress» compare tra le prime entità a causa di un lungo paragrafo di confronto: il paragrafo passa su una pagina propria e la pagina Shopify guadagna focus. La nostra guida sulla SEO delle entità copre il lato strategico.

2. Copertura dei termini (TF-IDF e co-occorrenza)

Principio: confrontare i termini usati dalle pagine meglio posizionate con i tuoi, ponderati in base alla loro specificità (TF-IDF), e colmare le lacune. È ciò che fanno la maggior parte degli strumenti di punteggio dei contenuti. Quando usarlo: per individuare i sottoargomenti dimenticati su una pagina informativa. Vantaggi: veloce, facile da spiegare a un redattore. Limiti: copia la media della SERP, premia la ripetizione e non dice nulla sul fatto che tu risponda alla domanda. Un elenco di termini è una checklist di sottoargomenti, non una quota di parole. Esempio: le migliori pagine su «audit SEO tecnico» citano tutte il «crawl budget» e il «tag canonical»; la tua no: sono due sezioni mancanti, non due parole mancanti.

3. Somiglianza degli embedding

Principio: codificare query e passaggi come vettori e misurarne la vicinanza. Quando usarlo: per verificare che ogni domanda obiettivo abbia un passaggio che le risponde con chiarezza, per individuare due pagine in competizione sullo stesso significato e per mappare i link interni in base al significato. Vantaggi: funziona senza parole in comune, vicino a come funziona il recupero per le risposte IA. Limiti: i punteggi dipendono dal modello; un punteggio alto significa «in tema», non «corretto» né «utile». Esempio: il passaggio che risponde a «quanto tempo richiede la SEO» ottiene un punteggio più basso di un paragrafo introduttivo non pertinente: il passaggio di risposta è troppo vago e viene riscritto indicando prima i tempi.

4. Classificazione dell'intento

Principio: classificare la query (informativa, commerciale, transazionale, di navigazione) e il formato che Google premia (guida, elenco, strumento, pagina prodotto), poi adeguarsi. Quando usarlo: prima di scrivere, e quando una buona pagina non si posiziona affatto. Vantaggi: corregge l'errore più costoso, il formato sbagliato. Limiti: le SERP miste esistono; l'intento cambia nel tempo. Vedi la nostra voce di glossario sull'intento di ricerca.

5. Estrazione di domande e passaggi

Principio: estrarre le domande che le persone fanno («Altre domande», forum, prompt IA, i tuoi ticket di assistenza) e dare a ciascuna un passaggio autonomo. Quando usarlo: per la visibilità nelle IA e per i featured snippet. Vantaggi: produce direttamente passaggi citabili. Limiti: può frammentare una pagina in una FAQ senza profondità se non raggruppi le domande per sottoargomento.

6. Topic modeling e clustering

Principio: raggruppare parole chiave e pagine per significato per decidere quale pagina copre cosa, poi collegarle. Quando usarlo: a livello di sito, prima di produrre contenuti e quando le pagine si cannibalizzano. Vantaggi: costruisce autorità tematica e un'architettura pulita. Limiti: il clustering per sovrapposizione di SERP e quello per embedding danno gruppi diversi; ti serve una regola per decidere. La nostra guida sul keyword clustering spiega entrambi gli approcci, e la voce sulla mappa tematica mostra come trasformare i cluster in un piano.

MetodoLivelloIdeale perRischio principaleStrumenti
Ottimizzazione delle entitàPaginaPagine prodotto, marchio e concettoTrattare la salienza come fattore di rankingGoogle Cloud Natural Language (v1), spaCy
Copertura dei termini (TF-IDF)PaginaTrovare i sottoargomenti mancantiScrivere la media della SERP, keyword stuffingStrumenti di punteggio dei contenuti, Python scikit-learn
Somiglianza degli embeddingPassaggio e sitoQualità delle risposte, cannibalizzazione, link interniConfondere «in tema» con «buono»Sentence Transformers, database vettoriali
Classificazione dell'intentoQuery e paginaScegliere il formato giustoIgnorare le SERP misteAnalisi manuale della SERP, classificatori
Estrazione delle domandePassaggioCitazioni IA, snippetPagine FAQ superficiali«Altre domande», ricerca di prompt
Clustering tematicoSitoArchitettura, autorità tematicaRegole di clustering incoerentiStrumenti di clustering, embedding

Ottimizzazione per elenco di termini o per entità e passaggi

Elenco di termini (punteggio TF-IDF)
  • Controllo rapido delle lacune rispetto ai concorrenti
  • Premia la ripetizione delle parole
  • Copia la media della SERP
  • Non dice nulla sulla qualità della risposta
Entità e passaggi
  • Elimina l'ambiguità sull'argomento principale
  • Produce passaggi che l'IA può citare
  • Funziona tra lingue e sinonimi
  • Richiede un po' più di preparazione

Passo dopo passo: un audit NLP su una pagina

Questo è il metodo che consigliamo per iniziare: una pagina importante, un pomeriggio. Ti servono il testo della pagina, da tre a cinque pagine concorrenti e gli strumenti online gratuiti oppure poche righe di Python.

L'audit NLP di una pagina in 6 passaggi

  1. Estrarre un testo pulitoCopia solo il contenuto principale (niente menu, niente footer) della tua pagina e di 3-5 pagine ben posizionate in file di testo.
  2. Elencare le entitàEsegui l'estrazione delle entità. Annota le prime 10 entità di ogni pagina e il loro ordine.
  3. Verificare l'entità principaleIl tuo concetto obiettivo deve essere tra le prime 3 della tua pagina. Se non lo è, trova quali entità gli rubano il focus.
  4. Mappare le entità mancantiLe entità presenti nella maggior parte dei concorrenti e assenti dalla tua pagina sono sottoargomenti candidati, non parole da inserire.
  5. Testare i passaggi rispetto alle domandeScrivi le 5-10 domande a cui la pagina deve rispondere e misura quale passaggio corrisponde a ciascuna.
  6. Riscrivere e ripetereCorreggi i passaggi deboli, ripeti entrambi i controlli e poi osserva le query di quell'URL in Search Console nelle settimane successive.

Passaggi 1 e 2: estrarre le entità con spaCy

spaCy è una libreria Python gratuita e open source. Il suo modello inglese piccolo gira su un portatile in pochi secondi (per un testo in italiano usa il modello it_core_news_sm). Lo script qui sotto elenca le entità più frequenti e i soggetti grammaticali più frequenti della tua pagina: il secondo elenco è spesso più rivelatore del primo.

import spacy
from collections import Counter

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

# Chi è il soggetto delle tue frasi?
subjects = Counter(t.lemma_.lower() for t in doc if t.dep_ in ("nsubj", "nsubjpass"))
print(subjects.most_common(15))

# Quante frasi iniziano con un pronome vago?
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")

Leggi con attenzione l'elenco dei soggetti. Sulla pagina di un software, se dominano «tu» e «esso» e il nome del prodotto non compare mai come soggetto, la pagina descrive azioni senza dire chi le compie. Si corregge in un'ora.

Pagina della documentazione di spaCy sulle funzioni linguistiche come il riconoscimento delle entità e l'analisi delle dipendenze.
La documentazione di spaCy sulle funzioni linguistiche: riconoscimento delle entità, parti del discorso e analisi delle dipendenze, gratuita e open source.

Passaggio 3: ottenere la salienza dall'API di Google (v1)

I modelli generici di spaCy non calcolano la salienza. Per questo, chiama l'endpoint v1 analyzeEntities di Google Cloud Natural Language. Crea un progetto, attiva l'API, autenticati con la riga di comando gcloud e invia il tuo testo. Salva questo corpo della richiesta come request.json:

{
  "document": {
    "type": "PLAIN_TEXT",
    "language": "it",
    "content": "Incolla qui il testo principale pulito della tua pagina."
  },
  "encodingType": "UTF8"
}

Poi chiama l'endpoint:

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"

La risposta elenca le entità con il loro type, la loro salience, le loro mentions e, quando l'entità è collegata, un oggetto metadata che può contenere una wikipedia_url e un mid (un identificativo del Knowledge Graph). Un'entità con un URL di Wikipedia nei metadati è stata collegata a un concetto noto; un'entità importante senza URL può essere ambigua o troppo recente. Sostituisci analyzeEntities con classifyText per ottenere le categorie di contenuto. Controlla i prezzi e le quote attuali di Google Cloud prima di eseguirlo su centinaia di pagine.

Passaggio 5: testare i passaggi rispetto alle domande con gli embedding

La libreria Sentence Transformers confronta il significato di una domanda con ogni passaggio della tua pagina. Il modello all-MiniLM-L6-v2 è piccolo e sufficiente per questo controllo su testi in inglese; per un testo in italiano è meglio un modello multilingue come paraphrase-multilingual-MiniLM-L12-v2.

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")

Due risultati richiedono un intervento. Se il passaggio migliore per una domanda non è quello che hai scritto per rispondere, il tuo passaggio di risposta è troppo generico. Se il punteggio migliore di una domanda è molto più basso degli altri, la pagina non risponde davvero. Confronta i punteggi tra domande della stessa pagina, non con una soglia assoluta: i valori dipendono dal modello.

Home page della documentazione di Sentence Transformers, la libreria che confronta il significato di query e passaggi.
Sentence Transformers: la libreria open source che misura quanto un passaggio è vicino a una domanda.

Suggerimento

Niente Python? Il nostro LLM Readability Checker gratuito valuta una pagina per l'estrazione da parte delle IA, e l'analizzatore della struttura dei titoli mostra se i tuoi H2 e H3 annunciano le domande a cui rispondono i tuoi passaggi.

Scrivere per l'NLP: regole a livello di frase che funzionano

La maggior parte dei problemi NLP si risolve scrivendo, non in uno strumento. Queste regole derivano direttamente dalla pipeline vista sopra: ognuna elimina un passaggio in cui una macchina può sbagliare.

Nomina il soggetto e mantienilo

Usa il nome completo dell'entità principale come soggetto della prima frase di ogni sezione. Evita di aprire un paragrafo con «Esso» o «Questo». I pronomi vanno bene all'interno di un paragrafo, una volta che il nome è vicino.

Definisci con una frase «X è un Y che Z»

Una definizione che indica la categoria (Y) e il tratto distintivo (Z) è la struttura più facile da estrarre per un modello e da citare per un assistente IA. «La salienza di un'entità è un punteggio da 0 a 1 che misura quanto un'entità è centrale in un testo» funziona meglio di tre frasi di contesto.

Associa gli attributi all'entità, nella stessa frase

Prezzi, date, dimensioni, compatibilità e limiti devono stare accanto all'entità che descrivono. «Sorank monitora la visibilità in ChatGPT, Gemini, Claude e Perplexity» è un fatto estraibile. La stessa informazione divisa tra un titolo, un punto elenco e una nota a piè di pagina diventa tre frammenti.

Un nome canonico per ogni cosa

Scegli un nome per ogni prodotto, funzionalità e concetto. Presenta un sinonimo una volta («il query fan-out, il modo in cui gli assistenti IA dividono una domanda in più ricerche») e poi resta su una sola forma.

Prima la risposta, poi la spiegazione

Sotto un titolo che pone una domanda, la prima frase dà la risposta. Il resto del passaggio fornisce le condizioni, l'esempio e le eccezioni. È questo che rende un passaggio autonomo.

Un paragrafo, prima e dopo una riscrittura NLP

Prima
  • «Ti aiuta a ottenere più visibilità. Questo avviene automaticamente ogni settimana.»
  • Soggetto poco chiaro: «ti aiuta» e «questo»
  • Nessuna entità, nessun attributo, nessun numero
  • Potrebbe essere incollato su qualsiasi pagina SaaS
Dopo
  • «Il rank tracker controlla ogni lunedì le tue 200 parole chiave obiettivo su Google e ti invia via e-mail le pagine che sono scese.»
  • Soggetto con un nome: «il rank tracker»
  • Attributi associati: parole chiave, motore, frequenza, risultato
  • Abbastanza preciso da essere citato come fatto

La frase «dopo» illustra la struttura, non descrive un prodotto reale: adatta gli attributi a ciò che la tua pagina offre davvero.

NLP con Python per la SEO semantica: raggruppare le parole chiave e trovare le pagine in competizione

L'NLP con Python per la SEO semantica significa usare lo stesso tipo di modello di embedding del test sui passaggi visto sopra, ma applicato a elenchi interi: le tue parole chiave e le pagine del tuo sito. Due script brevi rispondono a domande che un controllo pagina per pagina non può affrontare. Quali parole chiave devono stare nella stessa pagina? Quali pagine del tuo sito competono per lo stesso significato? Entrambi girano sul tuo computer senza costi e producono candidati da verificare, non verdetti.

Prepara l'ambiente

Installa le librerie in un ambiente virtuale, così non entrano in conflitto con altri progetti Python:

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

La prima esecuzione scarica una sola volta il modello all-MiniLM-L6-v2. Dopodiché, entrambi gli script funzionano offline.

Raggruppa le parole chiave per significato

Il clustering trasforma un elenco piatto di parole chiave in gruppi che una stessa pagina potrebbe rispondere. Ogni parola chiave diventa un vettore, e le parole chiave con vettori vicini in distanza coseno finiscono nello stesso gruppo. Tieni le parole chiave in un file di testo, una per riga, ed esegui questo 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,  # distanza coseno: valori più bassi danno gruppi più rigorosi
    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)

La soglia è l'impostazione che conta. Parti da 0,35 e leggi il risultato. Se parole chiave non correlate finiscono nello stesso gruppo, abbassala. Se il tema di una pagina si divide tra più gruppi, alzala. Il collegamento medio (average linkage) riduce l'effetto di concatenazione, cioè il caso in cui una catena di parole chiave debolmente legate unisce due gruppi estranei tra loro.

Trova le pagine che competono per lo stesso significato

Il secondo script confronta le tue pagine tra loro. Prepara un file separato da tabulazioni, con una riga di intestazione e le colonne url e title. I titoli sono solo un'approssimazione: per un test più preciso, incolla nella colonna title il primo paragrafo di ogni pagina.

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:  # punto di partenza: regola dopo aver letto i risultati
            print(f"{score:.2f}  {rows[i][0]}  vs  {rows[j][0]}")

Ogni coppia stampata è un candidato, non un verdetto. Apri entrambe le URL e chiediti se un lettore si aspetterebbe che una delle due pagine risponda alla domanda dell'altra. Se sì, unisci le due pagine, oppure tienine una come pagina principale e restringi il focus dell'altra. La voce sulla cannibalizzazione delle parole chiave spiega come scegliere.

ScriptInputOutputCosa decidi
Gruppi di parole chiaveUna parola chiave per rigaGruppi di parole chiave con lo stesso significatoSe ogni gruppo richiede una pagina o più pagine
Pagine in competizioneURL e titolo, o primo paragrafo, per paginaCoppie di pagine sopra la tua sogliaSe unire, rifocalizzare o tenere entrambe le pagine

Tre limiti sono importanti:

  • I punteggi dipendono dal modello. Confronta coppie e gruppi della stessa esecuzione, e non copiare mai una soglia da un tutorial.
  • Gli embedding catturano il significato, non l'intento. «Miglior software CRM» e «come configurare un CRM» condividono un tema ma richiedono pagine diverse, quindi verifica l'intento prima di unire qualsiasi cosa.
  • Nomi di marchi, di prodotti e termini molto recenti possono essere codificati male. Controlla questi gruppi a mano.

Questi script sono l'equivalente a livello di sito del test sui passaggi visto sopra: uno indica cosa va insieme, l'altro dove le tue pagine si sovrappongono. Se preferisci non mantenere gli script, il Topic Cluster Generator di Sorank esegue il passaggio di raggruppamento con un controllo anti-cannibalizzazione integrato.

I modelli linguistici leggono più dei tuoi paragrafi. Tre elementi intorno al testo trasmettono segnali forti.

Dati strutturati che nominano le tue entità

Il markup Schema.org da solo non fa posizionare una pagina, ma dichiara in un formato leggibile dalle macchine di cosa parla la pagina e a quali concetti noti si riferisce. Le proprietà about e mentions, con link sameAs a pagine di riferimento, eliminano l'ambiguità nel collegamento delle entità.

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "SEO NLP: come Google e l'IA leggono i tuoi contenuti",
  "about": {
    "@type": "Thing",
    "name": "Elaborazione del linguaggio naturale",
    "sameAs": "https://it.wikipedia.org/wiki/Elaborazione_del_linguaggio_naturale"
  },
  "mentions": [
    {
      "@type": "Thing",
      "name": "Ottimizzazione per i motori di ricerca",
      "sameAs": "https://it.wikipedia.org/wiki/Ottimizzazione_per_i_motori_di_ricerca"
    }
  ]
}
</script>

Genera e testa il tuo con il nostro generatore di markup Schema e il nostro validatore di dati strutturati, entrambi gratuiti.

I titoli come indice per le macchine

I titoli sono la prima cosa che un modello usa per dividere la pagina in passaggi. Un titolo che nomina l'entità e la domanda («Come si calcola la salienza di un'entità») produce un frammento più pulito di uno ingegnoso («Sotto il cofano»). Mantieni una gerarchia H2 e H3 rigorosa: nessun H3 senza H2 padre, nessun livello saltato.

Il testo ancora è uno dei segnali NLP più antichi della ricerca: dice al motore, dall'esterno, di cosa parla la pagina di destinazione. Usa ancore descrittive che nominano l'entità di destinazione, collega pagine vicine per significato ed evita di mandare la stessa ancora a due pagine diverse. Un bozzolo semantico è il modo più strutturato di organizzarlo, e la nostra guida sul link building interno automatizzato spiega come scalarlo senza creare rumore.

SEO NLP per la ricerca IA: farsi citare da ChatGPT, Gemini e Perplexity

Gli assistenti IA portano la logica NLP fino in fondo. Non classificano pagine intere: recuperano passaggi, li confrontano per significato con sotto-query e compongono una risposta che a volte cita la fonte. Ne derivano tre conseguenze.

  1. Ogni passaggio deve stare in piedi da solo. Ciò che viene recuperato è un frammento della tua pagina, non la pagina. Se dipende da una definizione data tre sezioni prima, perde.
  2. Una domanda diventa più ricerche. Gli assistenti dividono un prompt in sotto-query (query fan-out). Una pagina che risponde alla domanda principale ma non ai suoi seguiti naturali (prezzo, alternative, limiti, come iniziare) copre solo una parte di ciò che viene cercato. Il Query Fan-Out Tracker di Sorank mostra le ricerche che l'IA esegue davvero dietro un prompt.
  3. Il consenso sulle entità conta. Un assistente è più sicuro di un fatto che trova formulato allo stesso modo su più fonti. Nomi e attributi coerenti sul tuo sito, sui tuoi profili e nelle menzioni di terzi aiutano. La nostra voce sul consenso delle entità copre questo livello.

Per il metodo completo applicato alle risposte IA, consulta la nostra guida sull'ottimizzazione dei contenuti per gli LLM.

Errori comuni di SEO NLP (e come correggerli)

Sono gli errori che vediamo più spesso sui siti analizzati. Ognuno ha un sintomo riconoscibile e una correzione applicabile da oggi.

1. Trattare la salienza o un punteggio di contenuto come fattore di ranking

Cos'è: riscrivere finché l'API non dà alla tua parola chiave una salienza alta, o finché uno strumento non mostra un punteggio verde. Come riconoscerlo: dopo l'ottimizzazione la pagina si legge peggio; la stessa espressione compare in ogni paragrafo. Come correggerlo: usa la salienza solo per verificare l'ordine delle entità, poi giudica la pagina in base alle risposte e ai dati di Search Console. Google non ha mai detto di usare i punteggi di questa API nel ranking.

2. Inserire i termini dei concorrenti come parole, non come contenuto

Cos'è: aggiungere «crawl budget» in una frase perché cinque concorrenti lo citano. Come riconoscerlo: i termini compaiono una volta, fuori contesto, senza spiegazione. Come correggerlo: ogni entità mancante diventa una domanda: al mio lettore serve? Se sì, scrivi un passaggio; se no, ignorala.

3. Analizzare l'HTML completo invece del contenuto principale

Cos'è: incollare l'intera pagina, menu e footer compresi, in uno strumento NLP. Come riconoscerlo: le tue prime entità sono il nome del tuo marchio, «cookie», «contatti» o le categorie del footer. Come correggerlo: estrai solo il corpo dell'articolo prima di qualsiasi analisi.

4. Chiamare la v2 dell'API di Google e chiedersi dove sia finita la salienza

Cos'è: seguire un vecchio tutorial con l'endpoint attuale. Come riconoscerlo: la risposta JSON contiene entità e menzioni ma non la salienza. Come correggerlo: chiama /v1/documents:analyzeEntities per la salienza, tenendo presente che la v1 può cambiare.

5. Catene di pronomi e soggetti vaghi

Cos'è: paragrafi in cui «esso», «questo» ed «essi» rimandano a nomi che si trovano diverse frasi prima. Come riconoscerlo: lo script spaCy qui sopra conta le frasi che iniziano con un pronome; più di una su cinque su una pagina chiave è un campanello d'allarme. Come correggerlo: ripeti il nome all'inizio di ogni paragrafo e dopo ogni titolo.

6. Una pagina, più intenti

Cos'è: un unico URL che cerca di definire un concetto, confrontare strumenti e vendere un prodotto. Come riconoscerlo: la pagina si posiziona per molte query tra la posizione 15 e la 40 e per nessuna nella top 5. Come correggerlo: mantieni l'intento dominante, sposta gli altri su pagine dedicate e collegale.

7. Scrivere per una lunghezza o una densità

Cos'è: allungare una pagina per raggiungere un numero di parole o una densità di parola chiave obiettivo. Come riconoscerlo: introduzioni ripetute, paragrafi generici che andrebbero bene su qualsiasi pagina. Come correggerlo: elimina ogni passaggio che non risponde a una domanda che un lettore farebbe. Il nostro calcolatore di densità delle parole chiave è utile al contrario: per trovare dove ripeti troppo.

8. Ignorare il collegamento delle entità

Cos'è: usare un nome di marchio o di prodotto che una macchina non riesce a distinguere da una parola comune o da un'altra azienda. Come riconoscerlo: l'API restituisce il tuo marchio come OTHER o CONSUMER_GOOD senza metadati, o lo collega al concetto sbagliato. Come correggerlo: aggiungi la categoria accanto al nome, usa lo schema Organization o Product con sameAs verso i tuoi profili ufficiali e mantieni il nome identico ovunque.

Checklist SEO NLP per una pagina

  • L'entità principale è nominata nella prima frase e nell'H1
  • L'entità principale è tra le prime 3 entità della pagina
  • Ogni H2 o H3 annuncia una domanda o un sottoargomento in parole semplici
  • La prima frase sotto ogni titolo-domanda dà la risposta
  • Meno di una frase su cinque inizia con un pronome vago
  • Ogni attributo importante è nella stessa frase della sua entità
  • Un nome canonico per ogni prodotto, funzionalità e concetto
  • I dati strutturati nominano l'entità principale con link sameAs
  • I link interni usano ancore descrittive che nominano la destinazione
  • Nessun termine inserito solo perché lo usa uno strumento o un concorrente

Strumenti di SEO NLP: a cosa serve ciascuno

Non ti serve un grande arsenale. Scegli gli strumenti in base alla domanda a cui devi rispondere.

StrumentoTipoCosa ti diceCompetenze richiesteUso migliore
Google Cloud Natural LanguageAPI cloud (vedi i prezzi di Google Cloud)Entità, salienza (v1), categorie, sentiment, sintassiMedie: un progetto Google Cloud e pochi comandiVerificare come un modello di Google legge le tue pagine chiave
spaCyLibreria Python open sourceEntità, struttura delle frasi, soggetti, lemmiPython di baseAnalizzare molte pagine in locale, senza costi
Sentence TransformersLibreria Python open sourceSomiglianza di significato tra query e passaggiPython di baseVerifica delle risposte, cannibalizzazione, mappa dei link interni
Google Search ConsoleStrumento Google gratuitoLe query per cui ogni URL compare davveroNessunaMisurare l'effetto di una riscrittura
Strumenti di ottimizzazione dei contenutiSaaSLacune di termini ed entità rispetto alle pagine miglioriNessunaControllo rapido dei sottoargomenti prima di scrivere
SorankSoftware SEO e GEO in autopilotRiscritture, cluster tematici, monitoraggio della visibilità nelle IANessunaApplicare il metodo a un intero sito

Per un confronto delle opzioni commerciali, leggi la nostra rassegna dei migliori strumenti di ottimizzazione dei contenuti. Se hai decine di pagine vecchie da correggere, la funzione Ottimizzazione dei contenuti di Sorank analizza e riscrive le pagine esistenti in autopilot, e il generatore di cluster tematici raggruppa le tue parole chiave per significato prima che tu scriva, con un controllo integrato contro la cannibalizzazione.

Come misurare l'impatto del lavoro NLP

Le modifiche NLP riguardano la comprensione, quindi misura prima la comprensione, poi il traffico.

Il numero di query per URL

In Google Search Console, filtra il rapporto Prestazioni sull'URL riscritto e conta le query distinte con impressioni su 28 giorni, prima e dopo. Una pagina compresa meglio di solito compare per più varianti a coda lunga nel giro di qualche settimana, spesso prima che i clic si muovano.

La posizione sulle domande obiettivo

Monitora le 5-10 domande usate nel test dei passaggi. Se le impressioni salgono ma la posizione no, la pagina è compresa ma non preferita: lavora su profondità, esempi e link.

Le citazioni nelle risposte IA

Fai gli stessi prompt in ChatGPT, Gemini, Claude e Perplexity prima e dopo, e annota se la tua pagina viene citata. Ripeti ogni mese: le risposte delle IA variano da un'esecuzione all'altra, quindi un solo test non dimostra nulla. Per una versione strutturata di questo controllo, esegui un audit SEO semantico sull'intero cluster invece che su una sola pagina.

Cosa fare oggi

Prendi la pagina che ti porta più fatturato e applica l'audit in sei passaggi. Correggi i primi due problemi che trovi, di solito un'entità principale che non domina e un passaggio di risposta troppo vago. Poi annota la data e controlla le sue query in Search Console tra quattro settimane.

Domande frequenti

Che cos'è l'NLP nella SEO?

Nella SEO, l'NLP significa rendere i contenuti facili da capire per i modelli linguistici: quali entità tratta una pagina, a quali domande risponde ogni passaggio e come la pagina si collega al resto del sito. Google usa modelli linguistici come BERT nella ricerca dal 2019 e gli assistenti IA si basano interamente su di essi, quindi una scrittura chiara e priva di ambiguità è diventata, in pratica, un fattore di ranking e di citazione.

La salienza delle entità è un fattore di ranking di Google?

Nessuna dichiarazione pubblica di Google indica che il punteggio di salienza della sua API Cloud Natural Language venga usato nel ranking. È un'approssimazione utile per verificare che il tuo argomento principale domini la pagina, ma guarda l'ordine delle entità invece di inseguire un numero. Nota che la salienza viene restituita solo dalla versione 1 dell'API.

Quali strumenti gratuiti posso usare per la SEO NLP?

spaCy e Sentence Transformers sono librerie Python gratuite e open source per l'estrazione delle entità e la somiglianza tra passaggi. Google Search Console, anch'essa gratuita, mostra poi se una pagina riscritta compare per più query. Google Cloud Natural Language aggiunge salienza e categorie, con un utilizzo fatturato secondo i prezzi di Google Cloud.

Ricevi gratis il tuo piano di contenuti per 30 giorni

Analizziamo i tuoi concorrenti, il tuo sito web e la tua visibilità nelle IA per creare gratuitamente un piano di contenuti su misura.

I nostri strumenti SEO gratuiti

Vedi tutti i nostri strumenti gratuiti

Ricevi gratis il tuo piano di contenuti per 30 giorni

Analizziamo i tuoi concorrenti, il tuo sito web e la tua visibilità nelle IA per creare gratuitamente un piano di contenuti su misura.

Foto di un utente di SorankFoto di un utente di SorankFoto di un utente di SorankCelio FabianoFoto di un’utente di SorankFoto profilo del cliente Xavier Breull
Google
StellaStellaStellaStellaStella
5/5
+5.000
utenti

Le testimonianze di fondatori ambiziosi

0 a 10000 visitatori in 5 mesi

Celio Fabianomonrobotlavevitre.frGoogleE-commerce

0 a 5000 visite in 8 mesi

Thibault BMsorank.comGoogleSoftware

Da 0 a 1104 clic in 4 mesi

Dominiqueflight-sensations-idf.comGoogleTempo libero e aviazione

Da 0 a 163 clic in 6 mesi

Coworking Pariscoworking-paris.frGoogleOffice broker

x92 clic in 7 mesi

Guide Zanzibarguidezanzibar.comGoogleViaggi