NLP が Google と AI 検索に与える影響を解説:エンティティ、顕著性、埋め込み、コード付きの6ステップのページ監査、書き方のルールと避けるべき間違い。

このページの内容
要点
NLP SEO とは、Google や AI アシスタントが使う言語モデルが、あなたのページの内容を正確に理解できるようにページを書き、構成することです。つまり、どのエンティティを扱っているのか、各段落がどの質問に答えているのか、サイトの他の部分とどうつながっているのかを明確にします。実際には、自分のテキストを同じ種類のツール(エンティティ抽出、分類、埋め込み)にかけ、機械が読み違えた部分を直し、主題とその属性と答えがはっきり書かれるように文を書き直します。順位を上げる新しい裏技ではありません。曖昧さを取り除く方法であり、その曖昧さこそが順位と AI での引用を失わせているのです。
さらに詳しく知るには、こちらに質問
クイック診断
SEOはあなたに向いている?どう始めるべき?
Sorankはあなたの回答にぴったりです
ご自身のサイトで3日間お試しいただき、Google、ChatGPT、その他のAIでの現状をご確認ください。
3日間の無料トライアルを開始3日間無料、いつでも解約できます。90日間成果保証(条件あり)。
自然言語処理(NLP)は、人間のテキストを機械が推論できるデータ(単語、文、エンティティ、関係、意味)に変える AI の分野です。まず一般的な定義を知りたい場合は、用語集の自然言語処理の項目をご覧ください。SEO にとって重要な定義はもっと狭いものです。NLP とは、検索エンジンがページをどこに順位付けするかを決める前に、そのページが何を意味するかを判断する仕組みです。
そのため NLP SEO には三つの層があります。成果を出すには三つすべてが必要です。
NLP SEO ではないもの:ページに「NLP キーワード」のリストを詰め込むことでも、コンテンツツールのスコアを追いかけることでもありません。Google は有用で信頼性の高い、ユーザー第一のコンテンツの作成に関するガイドではっきり述べています。Google が好む文字数があると聞いてその文字数に合わせて書いているなら、答えは「いいえ、そんなものはありません」です。同じ論理が用語リストにも当てはまります。目的は理解されることであり、最適化されているように見せることではありません。
言語理解が SEO を変えた理由
出典:Google、Pandu Nayak「Understanding searches better than ever before」(2019)および「MUM: A new AI milestone for understanding information」(2021)
Google が BERT を発表したとき、Pandu Nayak(Google Fellow、検索担当バイスプレジデント)は2019年10月25日の公式発表で、このモデルによって米国の英語検索のうち10件に1件がより正確に理解されるようになると説明しました。例として挙げられたのは「2019 brazil traveler to usa need a visa」というクエリです。BERT 以前は「to」という語がほぼ無視され、Google はブラジルへ旅行する米国市民向けの結果を返していました。BERT 以降は旅行の方向が理解されるようになりました。この一つの前置詞こそが NLP SEO の本質です。小さな語が意味を運び、今のモデルはそれを読みます。モデル自体については、用語集のBERT アルゴリズムのページで詳しく解説しています。
その2年後、Google は2021年5月18日付の記事で MUM を発表し、BERT より1000倍強力で75言語にわたって学習したと説明しました。例のクエリは、Adams 山に登ったハイカーが来年の秋に富士山に登る準備をしたいというものでした。二つのエンティティを比較し、「準備」が何を意味するかを推論する必要がある質問です。今日では AI Overviews、ChatGPT、Perplexity、Gemini がすべて同じ原理で動いています。段落を読み、エンティティを特定し、答えを組み立てます。あなたのページはそのプロセスの原材料です。
数学を知る必要はありません。知っておくべきなのは手順です。各手順が、ページが読み違えられる可能性のある場所だからです。典型的なシステムが実行する順にパイプラインを示します。
機械がページを読むための7つのステップ
下の表は、各 NLP タスクを、ページ上の具体的なリスクと、あなたが対処できる修正方法に対応させたものです。
| NLP タスク | 機械が行うこと | ページでよくある問題 | 変えるべきこと |
|---|---|---|---|
| 定型部分の除去 | メインコンテンツとテンプレートを分ける | 導入文が600語分のメニューやウィジェットの後ろに埋もれている | 答えをメインコンテンツの最初の段落に、シンプルな HTML で置く |
| 文の分割 | テキストを文に切る | 動詞のない箇条書きの断片、60語の文 | 一文に一つの考え、事実を伝えるリストは完全な文で書く |
| 係り受け解析 | 主語、動詞、目的語を見つける | 主語が「それ」「これ」で、対応する名詞が3文前にある | 名詞を繰り返し、主語と動詞を近くに置く |
| 固有表現認識 | 名前を検出し、種類を付ける | 自社製品が5通りの書き方で書かれている | 正式名称を一つに決め、表記ゆれは紹介した後にだけ使う |
| エンティティリンキング | 名前を既知の概念に対応させる | 文脈のない曖昧なブランド名 | 名前の横にカテゴリを添え(「SEO ソフトウェアの Sorank は……」)、sameAs 付きの構造化データを使う |
| 埋め込み | クエリと段落の意味を比較する | 答えるはずの段落が一般的すぎて、どのページにも当てはまる | 質問の言葉を言い直し、具体的な答えを示す段落を書く |
| 分類 | トピックと検索意図を割り当てる | ブログ風の脱線だらけの製品ページ | 1つの URL に1つの主要な意図、他の意図は別ページへ移す |
注記
ランキングに使われている正確なモデルは、Google の外部の誰にもわかりません。このガイドのツールは近似的な代替手段です。テキストを Google のランキングシステムではなく、現代の言語モデルと同じように読みます。曖昧さを見つけるために使い、順位を予測するためには使わないでください。

無料または安価なツールで測定できるシグナルが5つあります。それぞれが異なることを教えてくれますが、単独でランキング要因になるものはありません。
エンティティとは、名前のある「モノ」です。ブランド、製品、人物、場所、あるいは「キーワードのカニバリゼーション」のような概念です。Google の Cloud Natural Language API は、各エンティティについて種類、言及箇所、そして API のバージョン1では顕著性スコアを返します。v1 の Entity リファレンスでは、これを「[0, 1.0] の範囲でエンティティに関連付けられた顕著性スコア」と説明しています。エンティティの種類は UNKNOWN、PERSON、LOCATION、ORGANIZATION、EVENT、WORK_OF_ART、CONSUMER_GOOD、OTHER、PHONE_NUMBER、ADDRESS、DATE、NUMBER、PRICE です。
顕著性は文書に対する相対値です。一つのテキスト内のすべてのエンティティのスコアが互いに競い合います。したがって役に立つのは数値ではなく順位の読み方です。ページが「NLP SEO」を狙っているのに最上位のエンティティが「Google」なら、機械から見るとそのページは主に Google についてのページです。詳しくは用語集のエンティティの顕著性の項目をご覧ください。
警告:v1 と v2
Natural Language API v2 の Entity オブジェクトには name、type、metadata、mentions、sentiment しかなく、salience フィールドはありません。顕著性スコアを示しているチュートリアルは v1 を呼び出しています。今スクリプトを作るなら、顕著性のために v1 のエンドポイントを明示的に呼び出し、それに頼る前にドキュメントを確認してください。

classifyText メソッドは、固定された分類体系からカテゴリ(たとえば /Internet & Telecom/Web Services のようなパス)を返します。Natural Language の基本に関する Google のドキュメントでは、分類には少なくとも20トークンのテキストが必要だとされています。SEO での使い道:「SEO ソフトウェア」向けのページが一般的なマーケティングのカテゴリに分類されるなら、その語彙は一般的すぎます。
感情分析は、-1.0(否定的)から 1.0(肯定的)までのスコアと、テキストがどれだけ感情を含むかを測る強度(magnitude)を返します。文書レベルでは強度は 0.0 から始まり正規化されないため、賛否が混在する長いテキストは中立的なスコアと高い強度を示すことがあります。SEO では、感情は主にレビューページ、比較ページ、「おすすめ X」リストで重要です。意見を求める質問に、意見のない平板なテキストで答えている場合があるからです。
構文解析は、各トークンの品詞、原形(lemma)、係り受けを返します。実行する価値のあるチェックが二つあります。メインのエンティティが文の文法上の主語になっている頻度と、代名詞(「それ」「これ」「彼ら」)で始まる文の数です。メインのエンティティが多くの文で主語になっているページは、その周辺ではなく、それ自体について語っているページです。
埋め込みは段落をベクトルに変えます。クエリのベクトルと各段落のベクトルを比較(コサイン類似度)すると、検索システムがそのクエリに対してどの段落を選ぶかがわかります。これは、AI アシスタントが引用する断片を選ぶ仕組みに最も近い公開の代替手段です。また「このページは本当に質問に答えているのか、それとも触れているだけか」を確かめる最良のテストでもあります。
「NLP SEO」は6つの異なる手法を含みます。ベンダーはたいてい、そのうちの一つをあたかも分野全体であるかのように売っています。それぞれについて、いつ使うのか、どこで通用しなくなるのかを説明します。
原理:完全な答えに含まれるべきエンティティ(メインのエンティティ、その属性、関連エンティティ)を特定し、ページがそれらに明確に名前を付けているか、メインのエンティティが優位に立っているかを確認します。使う場面:製品、ブランド、人物、場所、明確に定義された概念についてのページ。強み:ナレッジグラフや AI の回答の作られ方に合っており、曖昧さを根本から直せます。限界:エンティティ抽出は専門用語や新しい概念を見落とします。Google の API の v2 では顕著性が使えません。例:「Shopify SEO」についてのページで、長い比較段落のせいで「WordPress」が上位のエンティティになっている場合。その段落を独立したページに移せば、Shopify のページの焦点が定まります。戦略面はエンティティ SEOのガイドで扱っています。
原理:上位ページが使っている用語と自分の用語を、その特異性で重み付けして(TF-IDF)比較し、ギャップを埋めます。多くのコンテンツスコアリングツールがやっていることです。使う場面:情報系のページで書き漏らしたサブトピックを見つけるため。強み:速く、ライターに説明しやすい。限界:検索結果の平均をコピーし、繰り返しを評価し、質問に答えているかどうかについては何も教えてくれません。用語リストはサブトピックのチェックリストであって、単語のノルマではありません。例:「テクニカル SEO 監査」の上位ページがすべて「クロールバジェット」と「canonical」に触れているのに、自分のページにはない。足りないのは2つの単語ではなく、2つのセクションです。
原理:クエリと段落をベクトルとしてエンコードし、どれだけ近いかを測ります。使う場面:各ターゲット質問に明確に答える段落が一つあるかを確認するとき、同じ意味を奪い合う2つのページを見つけるとき、意味に基づいて内部リンクを設計するとき。強み:共通の単語がなくても機能し、AI の回答における検索の仕組みに近い。限界:スコアはモデルに依存します。高いスコアは「トピックに合っている」という意味であり、「正しい」「役に立つ」という意味ではありません。例:「SEO にはどれくらい時間がかかるか」に答える段落が、無関係な導入段落よりも低いスコアになった。答えの段落が曖昧すぎるので、期間を最初に書く形に書き直します。
原理:クエリ(情報型、商業型、取引型、案内型)と Google が評価する形式(ガイド、リスト、ツール、製品ページ)を分類し、それに合わせます。使う場面:書く前と、良いページがまったく順位に入らないとき。強み:最も高くつく間違い、つまり形式の間違いを直します。限界:検索結果が混在している場合があり、検索意図は時間とともに変わります。用語集の検索意図の項目をご覧ください。
原理:人々が尋ねる質問(People Also Ask、フォーラム、AI へのプロンプト、自社のサポートチケット)を抽出し、それぞれに独立した段落を用意します。使う場面:AI での可視性と強調スニペットのため。強み:引用可能な段落を直接生み出します。限界:質問をサブトピックごとにまとめないと、ページが深みのない FAQ に細切れになることがあります。
原理:キーワードとページを意味でグループ化し、どのページが何を扱うかを決めてから、それらをリンクします。使う場面:サイト全体のレベルで、コンテンツを作る前と、ページ同士がカニバリゼーションを起こしているとき。強み:トピックの権威性とすっきりした構造を作ります。限界:検索結果の重なりによるクラスタリングと埋め込みによるクラスタリングでは異なるグループになるため、判断のルールが必要です。キーワードクラスタリングのガイドで両方の手法を詳しく説明しており、トピカルマップの項目ではクラスタを計画に落とし込む方法を解説しています。
| 手法 | レベル | 最適な用途 | 主なリスク | ツール |
|---|---|---|---|---|
| エンティティ最適化 | ページ | 製品、ブランド、概念のページ | 顕著性をランキング要因として扱う | Google Cloud Natural Language (v1)、spaCy |
| 用語カバレッジ(TF-IDF) | ページ | 足りないサブトピックを見つける | 検索結果の平均を書く、詰め込み | コンテンツスコアリングツール、Python scikit-learn |
| 埋め込みの類似度 | 段落とサイト | 回答の質、カニバリゼーション、内部リンク | 「トピックに合う」と「良い」を混同する | Sentence Transformers、ベクトルデータベース |
| 検索意図の分類 | クエリとページ | 正しい形式を選ぶ | 混在する検索結果を無視する | 検索結果の手動確認、分類器 |
| 質問マイニング | 段落 | AI での引用、スニペット | 浅い FAQ ページ | People Also Ask、プロンプト調査 |
| トピッククラスタリング | サイト | サイト構造、トピックの権威性 | クラスタのルールが一貫しない | クラスタリングツール、埋め込み |
用語リストによる最適化と、エンティティ・段落による最適化
最初に勧めたいのはこの方法です。重要なページを1つ、午後をひとつ使います。必要なのはページのテキスト、競合ページ3〜5件、そして無料のオンラインツールか、数行の Python です。
6ステップのページ NLP 監査
spaCy は無料のオープンソース Python ライブラリです。小さな英語モデルなら、ノートパソコンで数秒で動きます。下のスクリプトは、ページで最も頻出するエンティティと、最も頻出する文法上の主語を一覧にします。2つ目のリストのほうが、1つ目よりも多くのことを教えてくれる場合がよくあります。
import spacy
from collections import Counter
nlp = spacy.load("en_core_web_sm") # pip install spacy, then: python -m spacy download en_core_web_sm
text = open("page.txt", encoding="utf-8").read()
doc = nlp(text)
entities = Counter((e.text.lower(), e.label_) for e in doc.ents)
for (name, label), n in entities.most_common(20):
print(f"{n:>3} {label:<12} {name}")
# Who is the subject of your sentences?
subjects = Counter(t.lemma_.lower() for t in doc if t.dep_ in ("nsubj", "nsubjpass"))
print(subjects.most_common(15))
# How many sentences start with a vague pronoun?
vague = [s.text for s in doc.sents if s[0].lower_ in ("it", "this", "that", "they")]
print(len(vague), "sentences start with a pronoun")
主語のリストを注意深く読んでください。ソフトウェア製品のページで「あなた」と「それ」が多く、製品名が一度も主語として出てこないなら、そのページは誰がその行動をするのかを言わずに行動を説明しています。これは1時間で直せます。

spaCy の汎用モデルは顕著性を計算しません。そのためには、Google Cloud Natural Language v1 の analyzeEntities エンドポイントを呼び出します。プロジェクトを作成し、API を有効にし、gcloud コマンドラインで認証してから、テキストを送信します。次のリクエスト本文を request.json として保存します。
{
"document": {
"type": "PLAIN_TEXT",
"language": "en",
"content": "Paste the clean main text of your page here."
},
"encodingType": "UTF8"
}
次にエンドポイントを呼び出します。
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"
レスポンスには、type、salience、mentions を持つエンティティが並び、エンティティがリンクされている場合は、wikipedia_url と mid(Knowledge Graph の識別子)を含みうる metadata オブジェクトが付きます。メタデータに Wikipedia の URL があるエンティティは既知の概念にリンクされています。重要なエンティティにそれがない場合、曖昧か新しすぎる可能性があります。analyzeEntities を classifyText に置き換えれば、コンテンツカテゴリを取得できます。数百ページで実行する前に、Google Cloud の最新の料金と割り当てを確認してください。
Sentence Transformers ライブラリは、質問の意味をページのすべての段落と比較します。all-MiniLM-L6-v2 モデルは小さく、このチェックには十分です。
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")
対処が必要な結果は二つです。ある質問に最も合う段落が、その質問に答えるために書いた段落でない場合、答えの段落は一般的すぎます。ある質問の最高スコアが他よりはるかに低い場合、そのページは実際にはその質問に答えていません。スコアは絶対的なしきい値とではなく、同じページの質問同士で比較してください。値はモデルによって変わります。

ヒント
Python を使わない場合は、無料の LLM Readability Checker でページの AI による抽出しやすさを評価でき、Heading Structure Analyzer で H2 と H3 が段落の答える質問を示しているかを確認できます。
NLP の問題の多くは、ツールではなく書き方で解決します。以下のルールは上のパイプラインから直接導かれたもので、それぞれが機械の間違えやすいステップを一つ取り除きます。
各セクションの最初の文では、メインのエンティティの正式名を主語にします。段落を「それは」「これは」で始めるのは避けます。名詞が近くにあれば、段落の中で代名詞を使うのは問題ありません。
カテゴリ(Y)と区別する特徴(Z)を述べる定義は、モデルが最も抽出しやすく、AI アシスタントが最も引用しやすい構造です。「エンティティの顕著性とは、あるエンティティがテキストの中でどれだけ中心的かを測る0から1のスコアである」は、文脈を語る3つの文に勝ります。
価格、日付、サイズ、対応環境、制限は、それが説明するエンティティのすぐそばに置く必要があります。「Sorank は ChatGPT、Gemini、Claude、Perplexity での可視性を追跡する」は抽出可能な一つの事実です。同じ情報が見出し、箇条書き、脚注に分かれていれば、三つの断片になります。
製品、機能、概念ごとに名前を一つに決めます。同義語は一度だけ紹介し(「query fan-out、つまり AI アシスタントが一つの質問を複数の検索に分割する仕組み」)、その後は一つの形に統一します。
質問を掲げる見出しの下では、最初の文で答えを示します。段落の残りで条件、例、例外を説明します。これが段落を独立したものにします。
同じ段落の NLP 書き直し前と後
「書き直し後」の文は構造を示すための例であり、実在の製品の説明ではありません。属性は、あなたのページが実際に提供しているものに合わせてください。
セマンティック SEO のための Python NLP とは、上の段落テストと同じ埋め込みモデルを、キーワードの一覧やサイトのページ全体に対して実行することです。2つの短いスクリプトが、1ページのチェックでは答えられない問いに答えます。どのキーワードが同じページに属するべきか。サイトのどのページが同じ意味を奪い合っているか。どちらも自分のマシン上で無料で動き、結論ではなく判断材料となる候補を出力します。
他の Python プロジェクトと衝突しないように、仮想環境にライブラリをインストールします:
python3 -m venv nlp-seo
source nlp-seo/bin/activate
pip install sentence-transformers scikit-learn
初回の実行で all-MiniLM-L6-v2 モデルを一度だけダウンロードします。その後は、両方のスクリプトがオフラインで動きます。
クラスタリングは、平坦なキーワードの一覧を、1ページで答えられるグループに変えます。各キーワードはベクトルになり、コサイン距離でベクトルが近いキーワードは同じグループに入ります。キーワードを1行に1つずつテキストファイルに保存し、このスクリプトを実行してください:
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, # コサイン距離:値が小さいほど厳密なグループになる
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)
重要なのはしきい値の設定です。0.35 から始めて結果を読んでください。無関係なキーワードが同じグループに入るなら下げてください。1ページのトピックが複数のグループに分かれるなら上げてください。平均リンク法(average linkage)は連鎖の影響を抑えます。連鎖とは、ゆるく関連するキーワードが鎖のようにつながり、無関係な2つのグループを結びつけてしまう現象です。
2つ目のスクリプトは、自分のページ同士を比較します。ヘッダー行を含むタブ区切りのファイルを作り、ページごとに1行、列は url と title にします。タイトルは大まかな代用指標なので、より精度の高い検査にするには、各ページの最初の段落を title 列に貼り付けてください。
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: # 出発点:結果を読んでから調整する
print(f"{score:.2f} {rows[i][0]} vs {rows[j][0]}")
出力された各ペアは判断のための候補であり、結論ではありません。2つのURLを開き、読者がどちらかのページに、もう一方のページの問いへの答えを期待するかを考えてください。そうであれば、2つのページを統合するか、一方を主要ページとして残して、もう一方の焦点を絞ります。キーワードのカニバリゼーションの項目で選び方を説明しています。
| スクリプト | 入力 | 出力 | 自分で決めること |
|---|---|---|---|
| キーワードのグループ | キーワードを1行に1つ | 同じ意味を共有するキーワードのグループ | 各グループに1ページが必要か、複数ページが必要か |
| 競合するページ | ページごとのURLとタイトル、または最初の段落 | しきい値を超えたページのペア | 統合するか、焦点を絞り直すか、両方を残すか |
注意すべき限界は3つあります:
これらのスクリプトは、上の段落テストをサイト全体に広げたものです。一方は何が一緒に属するかを示し、もう一方はページがどこで重なっているかを示します。スクリプトを自分で保守したくない場合は、Sorank の Topic Cluster Generator が、カニバリゼーションのチェックを組み込んだ形でグループ化の工程を実行します。
言語モデルは段落以外も読みます。テキストの周りにある3つの要素が強いシグナルを運びます。
Schema.org のマークアップはそれだけでページの順位を上げるものではありませんが、ページが何についてのもので、どの既知の概念を参照しているかを機械が読める形式で示します。about と mentions のプロパティは、参照ページへの sameAs リンクと組み合わせることで、エンティティリンキングの曖昧さを取り除きます。
<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>
無料の Schema Markup Generator と Structured Data Validator で、マークアップを作成してテストしましょう。
見出しは、モデルがページを段落に分割するときに最初に使うものです。エンティティと質問を明示した見出し(「エンティティの顕著性はどう計算されるか」)は、気の利いた見出し(「舞台裏」)よりもきれいな断片を生みます。H2 と H3 の階層は厳密に保ちます。親の H2 のない H3 や、レベルの飛び越しはなしです。
アンカーテキストは検索における最も古い NLP シグナルの一つで、リンク先のページが何についてのものかを外側からエンジンに伝えます。リンク先のエンティティを明示する説明的なアンカーを使い、意味の近いページ同士をリンクし、同じアンカーを2つの異なるページに向けるのは避けます。セマンティックコクーンはこれを最も体系的に整理する方法で、内部リンクの自動化のガイドでは、ノイズを生まずに規模を拡大する方法を説明しています。
AI アシスタントは NLP の論理を突き詰めています。ページ全体を順位付けするのではなく、段落を取り出し、サブクエリと意味で比較し、ときに出典を示す答えを組み立てます。そこから三つのことが言えます。
AI の回答に適用した手法の全体像については、LLM 向けコンテンツ最適化のガイドをご覧ください。
監査したサイトで最もよく見かける間違いです。どれにも見つけられる症状と、今日から実行できる修正方法があります。
内容:API がキーワードに高い顕著性を付けるまで、あるいはツールが緑のスコアを示すまで書き直すこと。見つけ方:最適化の後でページが読みにくくなり、同じフレーズがすべての段落に出てくる。直し方:顕著性はエンティティの順位を確認するためだけに使い、ページは答えと Search Console のデータで評価します。Google はこの API のスコアをランキングに使っていると言ったことは一度もありません。
内容:競合5社が触れているからという理由で、「クロールバジェット」を一文に足すこと。見つけ方:用語が一度だけ、文脈から外れて、説明なしで出てくる。直し方:足りないエンティティを一つずつ質問に変えます。読者にこれは必要か。必要なら段落を書き、不要なら無視します。
内容:メニューやフッターを含むページ全体を NLP ツールに貼り付けること。見つけ方:上位のエンティティがブランド名、「Cookie」、「お問い合わせ」、フッターのカテゴリになっている。直し方:分析の前に記事本文だけを抽出します。
内容:古いチュートリアルに従いながら、現行のエンドポイントを使うこと。見つけ方:JSON レスポンスにエンティティと言及はあるが、顕著性がない。直し方:顕著性を得るには /v1/documents:analyzeEntities を呼び出し、v1 が変わる可能性があることを覚えておきます。
内容:「それ」「これ」「彼ら」が、数文前の名詞を指している段落。見つけ方:上の spaCy のスクリプトで代名詞から始まる文を数えます。重要なページで5文に1文を超えていたら危険信号です。直し方:各段落の冒頭と各見出しの後で、名詞を言い直します。
内容:1つの URL で概念を定義し、ツールを比較し、製品を売ろうとすること。見つけ方:ページが多くのクエリで15位から40位にあり、上位5位に入るものが一つもない。直し方:主要な意図を残し、他は専用ページに移し、それらをリンクします。
内容:目標の文字数やキーワード密度に届かせるためにページを水増しすること。見つけ方:繰り返される導入文、どのページにも当てはまる一般的な段落。直し方:読者が尋ねそうな質問に答えていない段落をすべて削ります。Keyword Density Calculator は逆の使い方で役立ちます。繰り返しが多すぎる場所を見つけるためです。
内容:機械が一般的な単語や別の会社と区別できないブランド名や製品名を使うこと。見つけ方:API がブランドをメタデータなしの OTHER や CONSUMER_GOOD として返す、あるいは間違った概念にリンクする。直し方:名前の横にカテゴリを添え、公式プロフィールへの sameAs を含む Organization または Product の構造化データを使い、どこでも同じ名前を使います。
1ページ分の NLP SEO チェックリスト
大がかりなツール群は必要ありません。答えたい質問に応じてツールを選びましょう。
| ツール | 種類 | わかること | 必要なスキル | 最適な使い方 |
|---|---|---|---|---|
| Google Cloud Natural Language | クラウド API(Google Cloud の料金を参照) | エンティティ、顕著性(v1)、カテゴリ、感情、構文 | 中程度:Google Cloud のプロジェクトと数個のコマンド | Google のモデルが重要なページをどう読むかを確認する |
| spaCy | オープンソースの Python ライブラリ | エンティティ、文の構造、主語、原形 | Python の基礎 | 多数のページを手元で無料で監査する |
| Sentence Transformers | オープンソースの Python ライブラリ | クエリと段落の意味の類似度 | Python の基礎 | 回答チェック、カニバリゼーション、内部リンクの設計 |
| Google Search Console | Google の無料ツール | 各 URL が実際に表示されているクエリ | 不要 | 書き直しの効果を測る |
| コンテンツ最適化ツール | SaaS | 上位ページと比べた用語とエンティティのギャップ | 不要 | 書く前のサブトピックの素早い確認 |
| Sorank | autopilot で動く SEO・GEO ソフトウェア | 書き直し、トピッククラスタ、AI での可視性の追跡 | 不要 | この手法をサイト全体に適用する |
商用ツールを並べて比較したい場合は、おすすめのコンテンツ最適化ツールの比較記事をお読みください。直すべき古いページが何十もあるなら、Sorank の Content Optimization 機能が既存ページを autopilot で監査して書き直し、Topic Cluster Generator が書く前にキーワードを意味でグループ化し、カニバリゼーションのチェックも組み込まれています。
NLP の変更は理解に関わるものです。だからまず理解を測り、その次にトラフィックを測ります。
Google Search Console で、検索パフォーマンスのレポートを書き直した URL で絞り込み、28日間で表示回数のある異なるクエリの数を、前後で数えます。よりよく理解されたページは、たいてい数週間のうちにより多くのロングテールのバリエーションで表示されるようになり、それはクリックが動く前であることも少なくありません。
段落テストで使った5〜10個の質問を追跡します。表示回数が増えても順位が上がらない場合、ページは理解されていても選ばれてはいません。深さ、例、リンクに取り組みましょう。
書き直しの前後で、ChatGPT、Gemini、Claude、Perplexity に同じプロンプトを投げ、ページが引用されるかを記録します。これを毎月繰り返します。AI の回答は実行するたびに変わるので、1回のテストでは何も証明できません。このチェックを体系的に行うには、1ページではなくクラスタ全体にセマンティック SEO 監査を実施します。
最もビジネスをもたらしているページを選び、6ステップの監査を実施します。見つかった最初の2つの問題、たいていは優位に立っていないメインのエンティティと曖昧すぎる答えの段落を直します。そして日付を記録し、4週間後に Search Console でそのページのクエリを確認します。
SEO における NLP とは、コンテンツを言語モデルにとって理解しやすくすることです。ページがどのエンティティを扱い、各段落がどの質問に答え、ページがサイトの他の部分とどうつながるかを明確にします。Google は2019年から BERT などの言語モデルを検索に使っており、AI アシスタントは完全にそれに依存しているため、明確で曖昧さのない書き方は事実上、順位と引用の要因になっています。
Cloud Natural Language API の顕著性スコアがランキングに使われていると述べた Google の公式声明はありません。このスコアはメインのトピックがページで優位に立っているかを確認するのに役立つ代替指標ですが、数値を追いかけるのではなく、エンティティの順位を読むべきです。なお、顕著性を返すのは API のバージョン1だけです。
spaCy と Sentence Transformers は、エンティティ抽出と段落の類似度測定に使える無料のオープンソース Python ライブラリです。その後、同じく無料の Google Search Console で、書き直したページがより多くのクエリで表示されるかを確認できます。Google Cloud Natural Language は顕著性とカテゴリを追加でき、利用料金は Google Cloud の料金体系に従います。
