Lær hvordan NLP styrer Google og AI-søk: entiteter, salience, embeddings, en siderevisjon i 6 trinn med kode, skriveregler og feilene du bør unngå.

På denne siden
Kort sagt
NLP SEO betyr å skrive og strukturere sider slik at språkmodellene som Google og AI-assistenter bruker, forstår nøyaktig hva siden din handler om: hvilke entiteter den dekker, hvilket spørsmål hver passasje besvarer og hvordan den henger sammen med resten av nettstedet ditt. I praksis kjører du teksten gjennom de samme typene verktøy (entitetsuttrekk, klassifisering, embeddings), retter det maskinen leser feil, og skriver om setninger slik at hovedemnet, egenskapene og svarene blir tydelige. Det er ikke et nytt triks for å rangere: det er en måte å fjerne tvetydighet på, og det er tvetydighet som koster deg plasseringer og AI-siteringer.
Vil du vite mer? Spør
Rask quiz
Passer SEO for deg, og hvordan bør du starte?
Sorank passer til svarene dine
Prøv det i 3 dager på ditt eget nettsted, og se hvor du står på Google, ChatGPT og de andre AI-assistentene.
Start en gratis prøveperiode på 3 dager3 dager gratis, deretter kan du stoppe når du vil. 90 dagers resultatgaranti, vilkår gjelder.
Natural language processing (NLP), språkteknologi på norsk, er grenen av AI som gjør menneskelig tekst om til data en maskin kan resonnere med: ord, setninger, entiteter, relasjoner og betydning. Vil du ha den generelle definisjonen først, les ordlisteoppslaget vårt om natural language processing. For SEO er den relevante definisjonen smalere: NLP er hvordan en søkemotor avgjør hva siden din betyr før den avgjør hvor den skal rangeres.
NLP SEO har derfor tre lag. Du trenger alle tre for å få resultater.
Hva NLP SEO ikke er: det handler ikke om å stappe en liste med «NLP-søkeord» inn på en side, og det handler ikke om å jage en poengsum i et innholdsverktøy. Google sier det rett ut i guiden sin om å lage nyttig og pålitelig innhold for mennesker: hvis du skriver mot et bestemt antall ord fordi du har hørt at Google foretrekker det, er svaret «Nei, det gjør vi ikke.» Samme logikk gjelder for termlister. Målet er å bli forstått, ikke å se optimalisert ut.
Hvorfor språkforståelse endret SEO
Kilder: Google, Pandu Nayak, «Understanding searches better than ever before» (2019) og «MUM: A new AI milestone for understanding information» (2021)
Da Google introduserte BERT, forklarte Pandu Nayak (Google Fellow og Vice President, Search) i den offisielle kunngjøringen 25. oktober 2019 at modellen ville hjelpe Søk med å forstå ett av ti engelskspråklige søk i USA bedre. Eksempelet hans var søket «2019 brazil traveler to usa need a visa»: før BERT ble ordet «to» stort sett ignorert, og Google viste resultater om amerikanere som reiser til Brasil. Etter BERT ble reiseretningen forstått. Den ene preposisjonen er NLP SEO i et nøtteskall: små ord bærer betydning, og modellene leser dem nå. Ordlistesiden vår om BERT-algoritmen går dypere inn i selve modellen.
To år senere presenterte Google MUM i et innlegg datert 18. mai 2021 og beskrev den som 1000 ganger kraftigere enn BERT og trent på 75 språk. Eksempelet var en fotturist som har besteget Mt. Adams og vil forberede seg til Mt. Fuji neste høst: et spørsmål som krever at man sammenligner to entiteter og tolker hva «forberede seg» betyr. I dag fungerer AI Overviews, ChatGPT, Perplexity og Gemini etter samme prinsipp: de leser passasjer, avklarer entiteter og setter sammen svar. Siden din er råmateriale for den prosessen.
Du trenger ikke kunne matematikken. Du trenger å kjenne trinnene, fordi hvert trinn er et sted der siden din kan bli misforstått. Her er kjeden i den rekkefølgen et typisk system kjører den.
De 7 trinnene en maskin går gjennom for å lese siden din
Tabellen nedenfor kobler hver NLP-oppgave til den konkrete risikoen på en side og rettingen du selv styrer.
| NLP-oppgave | Hva maskinen gjør | Typisk problem på en side | Hva du endrer |
|---|---|---|---|
| Fjerning av malinnhold | Skiller hovedinnhold fra mal | Innledningen er begravd etter 600 ord med menyer og widgeter | Legg svaret i første avsnitt av hovedinnholdet, i ren HTML |
| Setningsdeling | Deler teksten i setninger | Punktfragmenter uten verb, setninger på 60 ord | Én idé per setning, hele setninger i lister som bærer fakta |
| Dependensanalyse | Finner subjekt, verb og objekt | Subjektet er «den» eller «dette», tre setninger unna substantivet sitt | Gjenta substantivet, hold subjekt og verb nær hverandre |
| Gjenkjenning av navngitte entiteter | Oppdager og typebestemmer navn | Produktet ditt skrives på fem forskjellige måter | Velg ett kanonisk navn, bruk varianter først når de er introdusert |
| Entitetslenking | Kobler navn til kjente begreper | Tvetydig merkenavn uten kontekst | Legg kategorien ved siden av navnet («Sorank, SEO-programvaren...») og schema med sameAs |
| Embeddings | Sammenligner betydningen av søk og passasje | Passasjen som skulle svare er generisk og kunne stått på hvilken som helst side | Skriv passasjer som gjentar spørsmålets termer og gir et spesifikt svar |
| Klassifisering | Tildeler emner og intensjon | En produktside full av blogglignende sidesprang | Én dominerende intensjon per URL, andre intensjoner flyttes til andre sider |
Merk
Ingen utenfor Google kjenner de nøyaktige modellene som brukes i rangeringen. Verktøyene i denne guiden er stedfortredere: de leser tekst slik moderne språkmodeller gjør, ikke slik Googles rangeringssystem gjør. Bruk dem til å finne tvetydighet, ikke til å forutsi plasseringer.

Fem signaler kan måles med gratis eller rimelige verktøy. Hvert av dem forteller noe forskjellig, og ingen av dem er en rangeringsfaktor i seg selv.
En entitet er en navngitt «ting»: et merke, et produkt, en person, et sted, et begrep som «søkeordkannibalisering». Googles Cloud Natural Language API returnerer for hver entitet en type, omtalene av den og, i versjon 1 av API-et, en salience-score (hvor sentral entiteten er). Referansen for v1 Entity beskriver den som «the salience score associated with the entity in the [0, 1.0] range». Entitetstypene er UNKNOWN, PERSON, LOCATION, ORGANIZATION, EVENT, WORK_OF_ART, CONSUMER_GOOD, OTHER, PHONE_NUMBER, ADDRESS, DATE, NUMBER og PRICE.
Salience er relativ til dokumentet: scorene for alle entiteter i en tekst konkurrerer med hverandre. Den nyttige lesningen er derfor rekkefølgen, ikke tallet. Hvis siden din sikter mot «NLP SEO» og den øverste entiteten er «Google», handler siden for en maskin mest om Google. Detaljene finner du i ordlisteoppslaget vårt om entity salience.
Advarsel: v1 mot v2
Entity-objektet i v2 av Natural Language API lister bare name, type, metadata, mentions og sentiment: det finnes ikke noe salience-felt. Hvis en veiledning viser salience-scorer, kaller den v1. Bygger du et skript i dag, kall v1-endepunktet eksplisitt for salience og sjekk dokumentasjonen før du stoler på det.

Metoden classifyText returnerer kategorier fra en fast taksonomi (for eksempel en sti som /Internet & Telecom/Web Services). Googles dokumentasjon om det grunnleggende i Natural Language opplyser at klassifisering krever en tekst på minst tjue tokens. Nytten for SEO: hvis en side ment for «SEO-programvare» klassifiseres under en generisk markedsføringskategori, er ordforrådet for generelt.
Sentimentanalyse returnerer en score fra -1,0 (negativ) til 1,0 (positiv) og en magnitude som måler hvor mye følelse teksten bærer. På dokumentnivå starter magnituden på 0,0 og er ikke normalisert, så en lang tekst med blandede meninger kan vise en nøytral score og en høy magnitude. For SEO betyr sentiment mest på anmeldelsessider, sammenligninger og «beste X»-lister, der en flat tekst uten meninger svarer på et spørsmål som ber om en mening.
Syntaksanalyse returnerer hver tokens ordklasse, grunnform (lemma) og dependens. To sjekker er verdt å kjøre: hvor ofte hovedentiteten din er grammatisk subjekt i en setning, og hvor mange setninger som starter med et pronomen («Den», «Dette», «De»). En side der hovedentiteten er subjekt i mange setninger, er en side som snakker om den, ikke rundt den.
Embeddings gjør en passasje om til en vektor. Ved å sammenligne vektoren for et søk med vektorene for passasjene dine (cosinuslikhet) ser du hvilken passasje et gjenfinningssystem ville valgt for det søket. Dette er den nærmeste offentlige stedfortrederen for hvordan AI-assistenter velger utdraget de siterer. Det er også den beste testen på om siden faktisk besvarer spørsmålet, eller bare nevner det.
«NLP SEO» dekker seks forskjellige metoder. Leverandører selger som regel én av dem som om den var hele feltet. Her er hver av dem, med når du bør bruke den og hvor den slutter å virke.
Prinsipp: identifiser entitetene et fullstendig svar må inneholde (hovedentiteten, egenskapene, relaterte entiteter), og sjekk at siden navngir dem tydelig og at hovedentiteten dominerer. Når den passer: på sider om et produkt, et merke, en person, et sted eller et veldefinert begrep. Styrker: den matcher hvordan kunnskapsgrafer og AI-svar bygges, og den retter tvetydighet ved roten. Begrensninger: entitetsuttrekk overser fagsjargong og nye begreper; salience finnes ikke i v2 av Googles API. Eksempel: en side om «Shopify SEO» der «WordPress» havner blant toppentitetene på grunn av et langt sammenligningsavsnitt: avsnittet flyttes til en egen side, og Shopify-siden får fokus. Guiden vår om entitets-SEO dekker den strategiske siden.
Prinsipp: sammenlign termene som brukes av de topprangerte sidene med dine, vektet etter hvor spesifikke de er (TF-IDF), og fyll hullene. Det er dette de fleste verktøy for innholdsscore gjør. Når den passer: for å finne underemner du har glemt på en informativ side. Styrker: rask og lett å forklare for en skribent. Begrensninger: den kopierer gjennomsnittet i søkeresultatene, belønner gjentakelse og sier ingenting om hvorvidt du besvarer spørsmålet. En termliste er en sjekkliste over underemner, ikke en kvote med ord. Eksempel: toppsidene for «teknisk SEO-revisjon» nevner alle «crawl budget» og «canonical»; din gjør det ikke: to manglende avsnitt, ikke to manglende ord.
Prinsipp: koder søk og passasjer som vektorer og måler hvor nær de ligger. Når den passer: for å sjekke at hvert målspørsmål har én passasje som tydelig besvarer det, for å oppdage to sider som konkurrerer om samme betydning, og for å kartlegge interne lenker etter betydning. Styrker: virker uten felles ord og ligger nær hvordan gjenfinning for AI-svar fungerer. Begrensninger: scorene avhenger av modellen; en høy score betyr «innenfor emnet», ikke «riktig» eller «nyttig». Eksempel: passasjen som besvarer «hvor lang tid tar SEO» scorer lavere enn et urelatert innledningsavsnitt: svarpassasjen er for vag og skrives om med tidslinjen først.
Prinsipp: klassifiser søket (informativt, kommersielt, transaksjonelt, navigasjonelt) og formatet Google belønner (guide, liste, verktøy, produktside), og match det. Når den passer: før du skriver, og når en god side ikke rangerer i det hele tatt. Styrker: retter den dyreste feilen, feil format. Begrensninger: blandede søkeresultater finnes; intensjonen endrer seg over tid. Se ordlisteoppslaget vårt om søkeintensjon.
Prinsipp: hent ut spørsmålene folk stiller (Andre spør også om, forum, AI-prompter, supporthenvendelsene dine), og gi hvert av dem en selvstendig passasje. Når den passer: for AI-synlighet og fremhevede utdrag. Styrker: gir direkte passasjer som kan siteres. Begrensninger: kan splitte en side opp i en FAQ uten dybde hvis du ikke grupperer spørsmålene etter underemne.
Prinsipp: grupper søkeord og sider etter betydning for å avgjøre hvilken side som dekker hva, og lenk dem deretter. Når den passer: på nettstedsnivå, før du produserer innhold og når sider kannibaliserer hverandre. Styrker: bygger emneautoritet og en ren arkitektur. Begrensninger: klynging etter overlapp i søkeresultater og klynging etter embeddings gir ulike grupper; du trenger en regel for å avgjøre. Guiden vår om søkeordsklynger beskriver begge tilnærmingene, og oppslaget om topical map forklarer hvordan du gjør klynger om til en plan.
| Metode | Nivå | Best for | Største risiko | Verktøy |
|---|---|---|---|---|
| Entitetsoptimalisering | Side | Produkt-, merke- og begrepssider | Å behandle salience som en rangeringsfaktor | Google Cloud Natural Language (v1), spaCy |
| Termdekning (TF-IDF) | Side | Å finne manglende underemner | Å skrive søkeresultatenes gjennomsnitt, overoptimalisering | Verktøy for innholdsscore, Python scikit-learn |
| Embeddinglikhet | Passasje og nettsted | Svarkvalitet, kannibalisering, interne lenker | Å forveksle «innenfor emnet» med «bra» | Sentence Transformers, vektordatabaser |
| Intensjonsklassifisering | Søk og side | Å velge riktig format | Å ignorere blandede søkeresultater | Manuell gjennomgang av søkeresultater, klassifiserere |
| Spørsmålsutvinning | Passasje | AI-siteringer, utdrag | Overfladiske FAQ-sider | Andre spør også om, promptanalyse |
| Emneklynging | Nettsted | Arkitektur, emneautoritet | Inkonsekvente klyngeregler | Klyngeverktøy, embeddings |
Optimalisering med termlister mot entiteter og passasjer
Dette er metoden vi anbefaler for å komme i gang: én viktig side, én ettermiddag. Du trenger sidens tekst, tre til fem konkurrerende sider og enten de gratis nettverktøyene eller noen få linjer Python.
NLP-revisjon av en side i 6 trinn
spaCy er et gratis Python-bibliotek med åpen kildekode. Den lille engelske modellen kjører på en bærbar PC på noen sekunder. Skriptet nedenfor lister de hyppigste entitetene og de hyppigste grammatiske subjektene på siden din: den andre listen sier ofte mer enn den første.
import spacy
from collections import Counter
nlp = spacy.load("en_core_web_sm") # pip install spacy, deretter: 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}")
# Hvem er subjekt i setningene dine?
subjects = Counter(t.lemma_.lower() for t in doc if t.dep_ in ("nsubj", "nsubjpass"))
print(subjects.most_common(15))
# Hvor mange setninger starter med et vagt pronomen?
vague = [s.text for s in doc.sents if s[0].lower_ in ("it", "this", "that", "they")]
print(len(vague), "setninger starter med et pronomen")
Les listen over subjekter nøye. På en side om et programvareprodukt der «du» og «den» dominerer og produktnavnet aldri dukker opp som subjekt, beskriver siden handlinger uten å si hvem som utfører dem. Det kan rettes på en time.

spaCys generelle modeller beregner ikke salience. For det kaller du endepunktet analyzeEntities i v1 av Google Cloud Natural Language. Opprett et prosjekt, aktiver API-et, autentiser deg med kommandolinjen gcloud, og send deretter teksten. Lagre denne forespørselen som request.json:
{
"document": {
"type": "PLAIN_TEXT",
"language": "en",
"content": "Lim inn den rene hovedteksten fra siden din her."
},
"encodingType": "UTF8"
}
Kall deretter endepunktet:
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"
Svaret lister entiteter med type, salience, mentions og, når entiteten er lenket, et metadata-objekt som kan inneholde en wikipedia_url og en mid (en identifikator i Knowledge Graph). En entitet med en Wikipedia-URL i metadata er koblet til et kjent begrep; en viktig entitet uten en kan være tvetydig eller for ny. Bytt analyzeEntities med classifyText for å få innholdskategoriene. Sjekk gjeldende priser og kvoter i Google Cloud før du kjører det på hundrevis av sider.
Biblioteket Sentence Transformers sammenligner betydningen av et spørsmål med hver passasje på siden din. Modellen all-MiniLM-L6-v2 er liten og god nok for denne sjekken.
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 beste score {scores[best]:.2f}: {passages[best][:100]}\n")
To utfall krever handling. Hvis den beste passasjen for et spørsmål ikke er den du skrev for å besvare det, er svarpassasjen for generisk. Hvis den beste scoren for et spørsmål ligger langt under de andre, besvarer siden det ikke egentlig. Sammenlign scorer mellom spørsmål på samme side, ikke mot en absolutt terskel: verdiene avhenger av modellen.

Tips
Ingen Python? Vår gratis LLM Readability Checker gir en side en score for AI-uttrekk, og Heading Structure Analyzer viser om H2 og H3 varsler spørsmålene passasjene dine besvarer.
De fleste NLP-problemer løses i skrivingen, ikke i et verktøy. Reglene kommer rett fra kjeden ovenfor: hver av dem fjerner et trinn der en maskin kan ta feil.
Bruk hovedentitetens fulle navn som subjekt i første setning i hvert avsnitt. Unngå å åpne et avsnitt med «Den» eller «Dette». Pronomen er greit inne i et avsnitt, når substantivet står i nærheten.
En definisjon som oppgir kategorien (Y) og det særegne trekket (Z), er den strukturen som er enklest for en modell å hente ut og for en AI-assistent å sitere. «Entity salience er en score fra 0 til 1 som måler hvor sentral en entitet er i en tekst» slår tre setninger med kontekst.
Priser, datoer, størrelser, kompatibilitet og begrensninger skal stå ved siden av entiteten de beskriver. «Sorank følger synligheten i ChatGPT, Gemini, Claude og Perplexity» er ett faktum som kan hentes ut. Den samme informasjonen fordelt på en overskrift, et punkt og en fotnote er tre fragmenter.
Velg ett navn for hvert produkt, hver funksjon og hvert begrep. Introduser et synonym én gang («query fan-out, måten AI-assistenter deler et spørsmål opp i flere søk på») og hold deg deretter til én form.
Under en overskrift som stiller et spørsmål, gir første setning svaret. Resten av passasjen gir betingelsene, eksempelet og unntakene. Det er dette som gjør en passasje selvstendig.
Ett avsnitt, før og etter en NLP-omskriving
Setningen under «etter» illustrerer strukturen og beskriver ikke et ekte produkt: tilpass egenskapene til det siden din faktisk tilbyr.
Python NLP for semantisk SEO betyr å kjøre samme type embedding-modell som i passasjetesten over, men over hele lister: søkeordene dine og sidene på nettstedet ditt. To korte skript besvarer spørsmål som en sjekk av én enkelt side ikke kan svare på. Hvilke søkeord hører hjemme på samme side? Hvilke av sidene dine konkurrerer om samme betydning? Begge kjører på din egen maskin uten kostnad, og begge gir kandidater for deg å vurdere, ikke dommer.
Installer bibliotekene i et virtuelt miljø, slik at de ikke kolliderer med andre Python-prosjekter:
python3 -m venv nlp-seo
source nlp-seo/bin/activate
pip install sentence-transformers scikit-learn
Første kjøring laster ned modellen all-MiniLM-L6-v2 én gang. Etter det kjører begge skriptene offline.
Klynging gjør en flat søkeordliste om til grupper som én side kan besvare. Hvert søkeord blir en vektor, og søkeord hvis vektorer ligger nær hverandre i cosinusavstand havner i samme gruppe. Lagre søkeordene i en tekstfil, ett per linje, og kjør dette skriptet:
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, # cosinusavstand: lavere verdier gir strengere grupper
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)
Terskelen er innstillingen som betyr mest. Start på 0.35 og les resultatet. Hvis urelaterte søkeord deler en gruppe, senk den. Hvis emnet for én side er delt over flere grupper, øk den. Average linkage reduserer kjededannelse, altså effekten der en rekke løst relaterte søkeord binder sammen to urelaterte grupper.
Det andre skriptet sammenligner sidene dine med hverandre. Legg én rad per side i en tabulatorseparert fil med en overskriftsrad, med kolonnene url og title. Titler er en grov stedfortreder, så for en skarpere test limer du inn første avsnitt fra hver side i title-kolonnen.
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: # utgangspunkt: juster etter at du har lest resultatene
print(f"{score:.2f} {rows[i][0]} vs {rows[j][0]}")
Hvert utskrevne par er en kandidat, ikke en dom. Åpne begge nettadressene og spør deg om en leser ville forvente at en av sidene svarer på den andres spørsmål. Hvis svaret er ja, slå sammen de to sidene, eller behold én som hovedside og snevre inn fokus på den andre. Oppføringen om søkeordkannibalisering forklarer hvordan du velger.
| Skript | Input | Output | Hva du bestemmer |
|---|---|---|---|
| Søkeordgrupper | Ett søkeord per linje | Grupper av søkeord som deler betydning | Om hver gruppe trenger én side eller flere |
| Konkurrerende sider | URL og tittel, eller første avsnitt, per side | Par av sider over terskelen din | Om du skal slå sammen, omfokusere eller beholde begge sidene |
Tre begrensninger betyr noe:
Skriptene er sidenivå-motstykket til passasjetesten over: det ene viser hva som hører sammen, det andre viser hvor sidene dine overlapper. Hvis du heller vil slippe å vedlikeholde skriptene, kjører Topic Cluster Generator grupperingssteget med en innebygd sjekk mot kannibalisering.
Språkmodeller leser mer enn avsnittene dine. Tre elementer rundt teksten bærer sterke signaler.
Schema.org-merking får ikke en side til å rangere av seg selv, men den oppgir i maskinformat hva siden handler om og hvilke kjente begreper den viser til. Egenskapene about og mentions, med sameAs-lenker til referansesider, fjerner tvetydighet ved entitetslenking.
<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>
Lag og test din egen med vår gratis Schema Markup Generator og Structured Data Validator.
Overskrifter er det første en modell bruker for å dele siden din opp i passasjer. En overskrift som navngir entiteten og spørsmålet («Hvordan entity salience beregnes») gir et renere utdrag enn en morsom overskrift («Under panseret»). Hold hierarkiet av H2 og H3 strengt: ingen H3 uten overordnet H2, ingen hoppede nivåer.
Ankertekst er et av de eldste NLP-signalene i søk: den forteller motoren, utenfra, hva målsiden handler om. Bruk beskrivende ankertekster som navngir målentiteten, lenk sider som ligger nær hverandre i betydning, og unngå å sende samme ankertekst til to forskjellige sider. En semantisk kokong er den mest strukturerte måten å organisere dette på, og guiden vår om automatisert internlenking forklarer hvordan du skalerer den uten å skape støy.
AI-assistenter driver NLP-logikken helt ut. De rangerer ikke hele sider: de henter passasjer, sammenligner dem etter betydning med delsøk og setter sammen et svar som noen ganger siterer kilden. Det gir tre konsekvenser.
For hele metoden brukt på AI-svar, se guiden vår om innholdsoptimalisering for LLM.
Dette er feilene vi ser oftest på nettsteder vi reviderer. Hver av dem har et symptom du kan oppdage og en retting du kan gjøre i dag.
Hva det er: å skrive om til API-et gir søkeordet ditt høy salience, eller til et verktøy viser grønn score. Slik oppdager du det: siden leses dårligere etter optimaliseringen; den samme frasen dukker opp i hvert avsnitt. Slik retter du det: bruk salience bare til å sjekke rekkefølgen på entitetene, og vurder deretter siden ut fra svarene og data fra Search Console. Google har aldri sagt at scorene fra dette API-et brukes i rangeringen.
Hva det er: å legge til «crawl budget» i en setning fordi fem konkurrenter nevner det. Slik oppdager du det: termene dukker opp én gang, uten kontekst og uten forklaring. Slik retter du det: hver manglende entitet blir et spørsmål: trenger leseren min dette? Hvis ja, skriv en passasje; hvis nei, se bort fra det.
Hva det er: å lime inn hele siden, meny og bunntekst inkludert, i et NLP-verktøy. Slik oppdager du det: de øverste entitetene dine er merkenavnet ditt, «cookies», «kontakt» eller kategorier fra bunnteksten. Slik retter du det: hent ut bare artikkelens brødtekst før du kjører noen analyse.
Hva det er: å følge en gammel veiledning med det nåværende endepunktet. Slik oppdager du det: JSON-svaret har entities og mentions, men ingen salience. Slik retter du det: kall /v1/documents:analyzeEntities for salience, og husk at v1 kan endres.
Hva det er: avsnitt der «den», «dette» og «de» viser til substantiver flere setninger tilbake. Slik oppdager du det: spaCy-skriptet ovenfor teller setninger som starter med et pronomen; mer enn én av fem på en nøkkelside er et faresignal. Slik retter du det: gjenta substantivet i starten av hvert avsnitt og etter hver overskrift.
Hva det er: én enkelt URL som prøver å definere et begrep, sammenligne verktøy og selge et produkt. Slik oppdager du det: siden rangerer på mange søk på posisjon 15 til 40 og på ingen i topp 5. Slik retter du det: behold den dominerende intensjonen, flytt de andre til egne sider, og lenk dem.
Hva det er: å fylle ut en side for å nå et bestemt antall ord eller en bestemt søkeordtetthet. Slik oppdager du det: gjentatte innledninger, generiske avsnitt som kunne stått på hvilken som helst side. Slik retter du det: kutt hver passasje som ikke besvarer et spørsmål en leser ville stilt. Vår Keyword Density Calculator er nyttig motsatt vei: til å finne hvor du gjentar deg for mye.
Hva det er: å bruke et merke- eller produktnavn som en maskin ikke kan skille fra et vanlig ord eller et annet selskap. Slik oppdager du det: API-et returnerer merket ditt som OTHER eller CONSUMER_GOOD uten metadata, eller kobler det til feil begrep. Slik retter du det: legg kategorien ved siden av navnet, bruk schema av typen Organization eller Product med sameAs til de offisielle profilene dine, og hold navnet identisk overalt.
Sjekkliste for NLP SEO på én side
Du trenger ikke en stor verktøykasse. Velg verktøy etter spørsmålet du trenger svar på.
| Verktøy | Type | Hva det forteller deg | Nødvendig kompetanse | Beste bruk |
|---|---|---|---|---|
| Google Cloud Natural Language | Sky-API (se Google Clouds priser) | Entiteter, salience (v1), kategorier, sentiment, syntaks | Middels: et Google Cloud-prosjekt og noen få kommandoer | Sjekke hvordan en Google-modell leser de viktigste sidene dine |
| spaCy | Python-bibliotek med åpen kildekode | Entiteter, setningsstruktur, subjekter, grunnformer | Grunnleggende Python | Revidere mange sider lokalt, uten kostnad |
| Sentence Transformers | Python-bibliotek med åpen kildekode | Betydningslikhet mellom søk og passasjer | Grunnleggende Python | Svarsjekker, kannibalisering, kartlegging av interne lenker |
| Google Search Console | Gratis verktøy fra Google | Søkene hver URL faktisk vises for | Ingen | Måle effekten av en omskriving |
| Verktøy for innholdsoptimalisering | SaaS | Hull i termer og entiteter mot toppsidene | Ingen | Rask sjekk av underemner før du skriver |
| Sorank | SEO- og GEO-programvare på autopilot | Omskrivinger, emneklynger, overvåking av AI-synlighet | Ingen | Bruke metoden på et helt nettsted |
For en sammenligning av de kommersielle alternativene, les gjennomgangen vår av de beste verktøyene for innholdsoptimalisering. Har du dusinvis av eldre sider som må rettes, reviderer og skriver Soranks funksjon Content Optimization om eksisterende sider på autopilot, og Topic Cluster Generator grupperer søkeordene dine etter betydning før du skriver, med en innebygd sjekk mot kannibalisering.
NLP-endringer handler om forståelse, så mål forståelsen først og trafikken etterpå.
Filtrer resultatrapporten i Google Search Console på den omskrevne URL-en, og tell de ulike søkene med visninger over 28 dager, før og etter. En side som blir bedre forstått, vises som regel for flere long tail-varianter i løpet av noen uker, ofte før klikkene flytter seg.
Følg de 5 til 10 spørsmålene du brukte i passasjetesten. Hvis visningene øker, men posisjonen ikke gjør det, er siden forstått, men ikke foretrukket: jobb med dybde, eksempler og lenker.
Still de samme promptene i ChatGPT, Gemini, Claude og Perplexity før og etter, og noter om siden din blir sitert. Gjenta hver måned: AI-svar varierer fra én kjøring til den neste, så én test beviser ingenting. For en strukturert versjon av denne sjekken, gjør en semantisk SEO-revisjon av hele klyngen i stedet for av én enkelt side.
Velg siden som gir deg mest forretning, og kjør revisjonen i seks trinn på den. Rett de to første problemene du finner, som regel en hovedentitet som ikke dominerer og en svarpassasje som er for vag. Noter deretter datoen, og sjekk sidens søk i Search Console om fire uker.
NLP i SEO betyr å gjøre innholdet ditt lett for språkmodeller å forstå: hvilke entiteter en side dekker, hvilke spørsmål hver passasje besvarer og hvordan siden henger sammen med resten av nettstedet. Google har brukt språkmodeller som BERT i Søk siden 2019, og AI-assistenter bygger helt på dem, så klar og entydig skriving har i praksis blitt en faktor for både rangering og siteringer.
Ingen offentlig uttalelse fra Google sier at salience-scoren fra Cloud Natural Language API brukes i rangeringen. Scoren er en nyttig måte å sjekke om hovedemnet ditt dominerer siden, men les rekkefølgen på entitetene i stedet for å jage et tall. Merk at salience bare returneres av versjon 1 av API-et.
spaCy og Sentence Transformers er gratis Python-biblioteker med åpen kildekode for entitetsuttrekk og passasjelikhet. Google Search Console, også gratis, viser deretter om en omskrevet side vises for flere søk. Google Cloud Natural Language legger til salience og kategorier, med bruk som faktureres etter Google Clouds priser.
