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.

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?
Sorank corrisponde alle tue risposte
Provalo per 3 giorni sul tuo sito e scopri a che punto sei su Google, ChatGPT e le altre IA.
Prova gratis per 3 giorni3 giorni gratis, poi smetti quando vuoi. Garanzia di risultati di 90 giorni, soggetta a condizioni.
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.
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
Fonti: Google, Pandu Nayak, «Understanding searches better than ever before» (2019) e «MUM: A new AI milestone for understanding information» (2021)
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.
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
La tabella seguente collega ogni attività NLP al rischio concreto su una pagina e alla correzione che hai in mano.
| Attività NLP | Cosa fa la macchina | Problema tipico su una pagina | Cosa cambi |
|---|---|---|---|
| Rimozione del template | Separa il contenuto principale dal template | L'introduzione è sepolta sotto 600 parole di menu e widget | Mettere la risposta nel primo paragrafo del contenuto principale, in HTML semplice |
| Segmentazione in frasi | Divide il testo in frasi | Elenchi puntati senza verbo, frasi da 60 parole | Un'idea per frase, frasi complete negli elenchi che contengono fatti |
| Analisi delle dipendenze | Trova soggetto, verbo, complemento | Il soggetto è «esso» o «questo», a tre frasi dal suo nome | Ripetere il nome, tenere vicini soggetto e verbo |
| Riconoscimento delle entità | Individua e tipizza i nomi | Il tuo prodotto è scritto in cinque modi diversi | Scegliere un nome canonico, usare le varianti solo dopo averle presentate |
| Collegamento delle entità | Associa i nomi a concetti noti | Nome di marchio ambiguo senza contesto | Aggiungere la categoria accanto al nome («Sorank, il software SEO...») e schema con sameAs |
| Embedding | Confronta il significato di query e passaggio | Il passaggio che dovrebbe rispondere è generico e andrebbe bene su qualsiasi pagina | Scrivere passaggi che riprendono i termini della domanda e danno una risposta precisa |
| Classificazione | Assegna argomenti e intento | Una pagina prodotto piena di digressioni in stile blog | Un 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.

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

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.
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.
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.
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.
«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.
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.
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.
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.
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.
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.
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.
| Metodo | Livello | Ideale per | Rischio principale | Strumenti |
|---|---|---|---|---|
| Ottimizzazione delle entità | Pagina | Pagine prodotto, marchio e concetto | Trattare la salienza come fattore di ranking | Google Cloud Natural Language (v1), spaCy |
| Copertura dei termini (TF-IDF) | Pagina | Trovare i sottoargomenti mancanti | Scrivere la media della SERP, keyword stuffing | Strumenti di punteggio dei contenuti, Python scikit-learn |
| Somiglianza degli embedding | Passaggio e sito | Qualità delle risposte, cannibalizzazione, link interni | Confondere «in tema» con «buono» | Sentence Transformers, database vettoriali |
| Classificazione dell'intento | Query e pagina | Scegliere il formato giusto | Ignorare le SERP miste | Analisi manuale della SERP, classificatori |
| Estrazione delle domande | Passaggio | Citazioni IA, snippet | Pagine FAQ superficiali | «Altre domande», ricerca di prompt |
| Clustering tematico | Sito | Architettura, autorità tematica | Regole di clustering incoerenti | Strumenti di clustering, embedding |
Ottimizzazione per elenco di termini o per entità e passaggi
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
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.

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.
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.

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.
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.
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.
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.
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.
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.
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
La frase «dopo» illustra la struttura, non descrive un prodotto reale: adatta gli attributi a ciò che la tua pagina offre davvero.
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.
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.
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.
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.
| Script | Input | Output | Cosa decidi |
|---|---|---|---|
| Gruppi di parole chiave | Una parola chiave per riga | Gruppi di parole chiave con lo stesso significato | Se ogni gruppo richiede una pagina o più pagine |
| Pagine in competizione | URL e titolo, o primo paragrafo, per pagina | Coppie di pagine sopra la tua soglia | Se unire, rifocalizzare o tenere entrambe le pagine |
Tre limiti sono importanti:
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.
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 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.
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.
Per il metodo completo applicato alle risposte IA, consulta la nostra guida sull'ottimizzazione dei contenuti per gli LLM.
Sono gli errori che vediamo più spesso sui siti analizzati. Ognuno ha un sintomo riconoscibile e una correzione applicabile da oggi.
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.
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.
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.
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.
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.
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.
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.
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
Non ti serve un grande arsenale. Scegli gli strumenti in base alla domanda a cui devi rispondere.
| Strumento | Tipo | Cosa ti dice | Competenze richieste | Uso migliore |
|---|---|---|---|---|
| Google Cloud Natural Language | API cloud (vedi i prezzi di Google Cloud) | Entità, salienza (v1), categorie, sentiment, sintassi | Medie: un progetto Google Cloud e pochi comandi | Verificare come un modello di Google legge le tue pagine chiave |
| spaCy | Libreria Python open source | Entità, struttura delle frasi, soggetti, lemmi | Python di base | Analizzare molte pagine in locale, senza costi |
| Sentence Transformers | Libreria Python open source | Somiglianza di significato tra query e passaggi | Python di base | Verifica delle risposte, cannibalizzazione, mappa dei link interni |
| Google Search Console | Strumento Google gratuito | Le query per cui ogni URL compare davvero | Nessuna | Misurare l'effetto di una riscrittura |
| Strumenti di ottimizzazione dei contenuti | SaaS | Lacune di termini ed entità rispetto alle pagine migliori | Nessuna | Controllo rapido dei sottoargomenti prima di scrivere |
| Sorank | Software SEO e GEO in autopilot | Riscritture, cluster tematici, monitoraggio della visibilità nelle IA | Nessuna | Applicare 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.
Le modifiche NLP riguardano la comprensione, quindi misura prima la comprensione, poi il traffico.
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.
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.
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.
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.
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.
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.
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.
