Jak NLP zmienia wyszukiwanie w Google i AI: encje, salience, embeddingi, audyt strony w 6 krokach z kodem, reguły pisania i błędy, których warto unikać.

Na tej stronie
W skrócie
NLP SEO polega na pisaniu i strukturyzowaniu stron tak, aby modele językowe używane przez Google i asystentów AI dokładnie rozumiały, o czym jest Twoja strona: jakie encje obejmuje, na jakie pytanie odpowiada każdy fragment i jak łączy się z resztą witryny. W praktyce przepuszczasz tekst przez te same rodzaje narzędzi (ekstrakcja encji, klasyfikacja, embeddingi), poprawiasz to, co maszyna odczytuje źle, i przepisujesz zdania tak, by główny temat, jego atrybuty i odpowiedzi były wyrażone wprost. To nie jest nowa sztuczka na pozycje: to sposób na usunięcie niejednoznaczności, a to właśnie niejednoznaczność kosztuje Cię pozycje i cytowania w AI.
Chcesz dowiedzieć się więcej? Zapytaj
Szybki quiz
Czy SEO jest dla Ciebie i jak zacząć?
Sorank pasuje do Twoich odpowiedzi
Przetestuj go przez 3 dni na swojej stronie i zobacz, na czym stoisz w Google, ChatGPT i innych AI.
Wypróbuj 3 dni za darmo3 dni za darmo, potem rezygnujesz, kiedy chcesz. 90-dniowa gwarancja wyników, obowiązują warunki.
Przetwarzanie języka naturalnego (NLP) to dziedzina AI, która zamienia ludzki tekst w dane, na których maszyna może rozumować: słowa, zdania, encje, relacje i znaczenie. Jeśli najpierw chcesz ogólnej definicji, przeczytaj nasz wpis w słowniku o przetwarzaniu języka naturalnego. Dla SEO liczy się węższa definicja: NLP to sposób, w jaki wyszukiwarka decyduje, co znaczy Twoja strona, zanim zdecyduje, na której pozycji ją umieścić.
NLP SEO ma więc trzy warstwy. Aby osiągnąć wyniki, potrzebujesz wszystkich trzech.
Czym NLP SEO nie jest: to nie upychanie listy „słów kluczowych NLP” na stronie i nie pogoń za wynikiem w narzędziu do treści. Google mówi to wprost w swoim przewodniku o tworzeniu pomocnych, wiarygodnych treści przeznaczonych dla ludzi: jeśli piszesz pod konkretną liczbę słów, bo słyszałeś, że Google ją preferuje, odpowiedź brzmi „No, we don't”. Ta sama logika dotyczy list terminów. Celem jest bycie zrozumianym, a nie wyglądanie na zoptymalizowanego.
Dlaczego rozumienie języka zmieniło SEO
Źródła: Google, Pandu Nayak, „Understanding searches better than ever before” (2019) i „MUM: A new AI milestone for understanding information” (2021)
Gdy Google wprowadzało BERT, Pandu Nayak (Google Fellow i wiceprezes ds. wyszukiwania) wyjaśnił w oficjalnym ogłoszeniu z 25 października 2019, że model pomoże wyszukiwarce lepiej zrozumieć jedno na 10 wyszukiwań w USA w języku angielskim. Jego przykładem było zapytanie „2019 brazil traveler to usa need a visa”: przed BERT słowo „to” było w dużej mierze ignorowane, a Google pokazywało wyniki o obywatelach USA jadących do Brazylii. Po BERT kierunek podróży został zrozumiany. Ten jeden przyimek to NLP SEO w pigułce: małe słowa niosą znaczenie, a modele dziś je czytają. Nasz wpis w słowniku o algorytmie BERT omawia sam model dokładniej.
Dwa lata później Google zaprezentowało MUM we wpisie z 18 maja 2021, opisując go jako 1000 razy potężniejszy od BERT i trenowany na 75 językach. Przykładowe zapytanie dotyczyło turysty, który zdobył Mt. Adams i chce przygotować się na Mt. Fuji następnej jesieni: pytanie wymagające porównania dwóch encji i wywnioskowania, co oznacza „przygotować się”. Dziś AI Overviews, ChatGPT, Perplexity i Gemini działają na tej samej zasadzie: czytają fragmenty, rozpoznają encje i składają odpowiedzi. Twoja strona jest surowcem dla tego procesu.
Nie musisz znać matematyki. Musisz znać kroki, bo każdy krok to miejsce, w którym Twoja strona może zostać źle odczytana. Oto potok w kolejności, w jakiej uruchamia go typowy system.
7 kroków, które maszyna wykonuje, by przeczytać Twoją stronę
Poniższa tabela przypisuje każdemu zadaniu NLP konkretne ryzyko na stronie i poprawkę, którą kontrolujesz.
| Zadanie NLP | Co robi maszyna | Typowy problem na stronie | Co zmieniasz |
|---|---|---|---|
| Usuwanie elementów szablonu | Oddziela główną treść od szablonu | Wstęp jest ukryty za 600 słowami menu i widżetów | Umieść odpowiedź w pierwszym akapicie głównej treści, w prostym HTML |
| Podział na zdania | Tnie tekst na zdania | Fragmenty punktów bez czasownika, zdania po 60 słów | Jedna myśl na zdanie, pełne zdania w listach zawierających fakty |
| Parsowanie zależności | Znajduje podmiot, orzeczenie, dopełnienie | Podmiotem jest „to” albo „ten” trzy zdania od swojego rzeczownika | Powtórz rzeczownik, trzymaj podmiot blisko orzeczenia |
| Rozpoznawanie encji nazwanych | Wykrywa i typuje nazwy | Twój produkt jest zapisany na pięć różnych sposobów | Wybierz jedną kanoniczną nazwę, warianty stosuj dopiero po ich wprowadzeniu |
| Łączenie encji | Przypisuje nazwy do znanych pojęć | Niejednoznaczna nazwa marki bez kontekstu | Dodaj kategorię obok nazwy („Sorank, oprogramowanie SEO...”) i schema z sameAs |
| Embeddingi | Porównuje znaczenie zapytania i fragmentu | Fragment, który powinien odpowiadać, jest ogólnikowy i pasowałby do każdej strony | Pisz fragmenty, które powtarzają terminy z pytania i dają konkretną odpowiedź |
| Klasyfikacja | Przypisuje tematy i intencję | Strona produktowa pełna blogowych dygresji | Jedna dominująca intencja na URL, pozostałe intencje na innych stronach |
Uwaga
Nikt poza Google nie zna dokładnie modeli używanych w rankingu. Narzędzia z tego przewodnika są przybliżeniem: czytają tekst tak, jak robią to nowoczesne modele językowe, a nie tak, jak robi to system rankingowy Google. Używaj ich do wykrywania niejednoznaczności, a nie do przewidywania pozycji.

Pięć sygnałów da się zmierzyć darmowymi lub tanimi narzędziami. Każdy mówi coś innego i żaden sam w sobie nie jest czynnikiem rankingowym.
Encja to nazwana „rzecz”: marka, produkt, osoba, miejsce, pojęcie takie jak „kanibalizacja słów kluczowych”. Google Cloud Natural Language API zwraca dla każdej encji typ, jej wystąpienia oraz, w wersji 1 API, wynik salience. Dokumentacja obiektu Entity w v1 opisuje go jako „the salience score associated with the entity in the [0, 1.0] range”. Typy encji to UNKNOWN, PERSON, LOCATION, ORGANIZATION, EVENT, WORK_OF_ART, CONSUMER_GOOD, OTHER, PHONE_NUMBER, ADDRESS, DATE, NUMBER i PRICE.
Salience jest względne wobec dokumentu: wyniki wszystkich encji w tekście konkurują ze sobą. Użyteczny odczyt to więc kolejność, a nie sama liczba. Jeśli Twoja strona celuje w „NLP SEO”, a najwyższą encją jest „Google”, to dla maszyny strona jest głównie o Google. Szczegóły znajdziesz w naszym wpisie w słowniku o salience encji.
Uwaga: v1 kontra v2
Obiekt Entity w v2 Natural Language API zawiera tylko name, type, metadata, mentions i sentiment: nie ma pola salience. Jeśli tutorial pokazuje wyniki salience, wywołuje v1. Jeśli budujesz dziś skrypt, wywołaj jawnie endpoint v1, aby uzyskać salience, i sprawdź dokumentację, zanim się na nim oprzesz.

Metoda classifyText zwraca kategorie ze stałej taksonomii (na przykład ścieżkę typu /Internet & Telecom/Web Services). Dokumentacja Google o podstawach Natural Language zaznacza, że klasyfikacja wymaga tekstu o długości co najmniej dwudziestu tokenów. Zastosowanie w SEO: jeśli strona przeznaczona dla „oprogramowania SEO” trafia do ogólnej kategorii marketingowej, jej słownictwo jest zbyt ogólne.
Analiza sentymentu zwraca wynik od -1.0 (negatywny) do 1.0 (pozytywny) oraz magnitude, która mierzy, ile emocji niesie tekst. Na poziomie dokumentu magnitude zaczyna się od 0.0 i nie jest normalizowana, więc długi tekst z mieszanymi opiniami może mieć neutralny wynik i wysoką magnitude. W SEO sentyment ma znaczenie głównie na stronach z recenzjami, porównaniach i listach „najlepsze X”, gdzie płaski, pozbawiony opinii tekst odpowiada na pytanie, które o opinię prosi.
Analiza składni zwraca dla każdego tokena część mowy, lemat i zależność. Warto wykonać dwie kontrole: jak często Twoja główna encja jest podmiotem gramatycznym zdania i ile zdań zaczyna się od zaimka („To”, „Ten”, „Oni”). Strona, na której główna encja jest podmiotem wielu zdań, to strona, która mówi o niej, a nie wokół niej.
Embeddingi zamieniają fragment w wektor. Porównanie wektora zapytania z wektorami Twoich fragmentów (podobieństwo cosinusowe) pokazuje, który fragment wybrałby system wyszukujący dla tego zapytania. To najbliższe publiczne przybliżenie tego, jak asystenci AI wybierają fragment, który cytują. To także najlepszy test na pytanie „czy ta strona naprawdę odpowiada na pytanie, czy tylko o nim wspomina”.
„NLP SEO” obejmuje sześć różnych metod. Dostawcy zwykle sprzedają jedną z nich, jakby była całą dziedziną. Oto każda z nich, z informacją, kiedy jej używać i gdzie przestaje działać.
Zasada: zidentyfikuj encje, które musi zawierać pełna odpowiedź (główna encja, jej atrybuty, encje powiązane), sprawdź, czy strona wyraźnie je nazywa i czy główna encja dominuje. Kiedy stosować: na stronach o produkcie, marce, osobie, miejscu lub dobrze zdefiniowanym pojęciu. Zalety: pasuje do tego, jak budowane są grafy wiedzy i odpowiedzi AI, i usuwa niejednoznaczność u źródła. Ograniczenia: ekstrakcja encji pomija żargon branżowy i nowe pojęcia; salience jest niedostępne w v2 API Google. Przykład: strona o „Shopify SEO”, na której „WordPress” wychodzi jako jedna z głównych encji z powodu długiego akapitu porównawczego: akapit trafia na osobną stronę, a strona o Shopify zyskuje skupienie. Nasz przewodnik po entity SEO omawia stronę strategiczną.
Zasada: porównaj terminy używane przez strony z czołówki z Twoimi, ważone według ich specyficzności (TF-IDF), i uzupełnij luki. To robi większość narzędzi do oceny treści. Kiedy stosować: do wykrycia podtematów pominiętych na stronie informacyjnej. Zalety: szybka, łatwa do wyjaśnienia autorowi. Ograniczenia: kopiuje średnią z SERP, nagradza powtórzenia i nic nie mówi o tym, czy odpowiadasz na pytanie. Lista terminów to lista kontrolna podtematów, a nie limit słów. Przykład: strony z czołówki dla „audyt techniczny SEO” wspominają o „crawl budget” i „canonical”, a Twoja nie: brakuje dwóch sekcji, a nie dwóch słów.
Zasada: zakoduj zapytania i fragmenty jako wektory i zmierz, jak blisko siebie są. Kiedy stosować: aby sprawdzić, czy każde docelowe pytanie ma jeden fragment, który wyraźnie na nie odpowiada, aby wykryć dwie strony konkurujące o to samo znaczenie i aby mapować linkowanie wewnętrzne według znaczenia. Zalety: działa bez wspólnych słów, jest bliskie temu, jak działa wyszukiwanie dla odpowiedzi AI. Ograniczenia: wyniki zależą od modelu; wysoki wynik oznacza „na temat”, a nie „poprawnie” czy „przydatnie”. Przykład: fragment odpowiadający na „ile trwa SEO” ma niższy wynik niż niezwiązany akapit wstępu: fragment z odpowiedzią jest zbyt ogólnikowy i zostaje przepisany tak, by harmonogram był podany na początku.
Zasada: sklasyfikuj zapytanie (informacyjne, komercyjne, transakcyjne, nawigacyjne) i format, który nagradza Google (poradnik, lista, narzędzie, strona produktu), a potem się do niego dopasuj. Kiedy stosować: przed pisaniem i gdy dobra strona w ogóle się nie pozycjonuje. Zalety: naprawia najdroższy błąd, czyli zły format. Ograniczenia: istnieją mieszane SERP; intencja zmienia się z czasem. Zobacz nasz wpis w słowniku o intencji wyszukiwania.
Zasada: wyodrębnij pytania, które zadają ludzie (People Also Ask, fora, prompty AI, Twoje zgłoszenia do supportu), i daj każdemu samodzielny fragment. Kiedy stosować: dla widoczności w AI i featured snippets. Zalety: bezpośrednio tworzy fragmenty nadające się do cytowania. Ograniczenia: może rozbić stronę na FAQ bez głębi, jeśli nie pogrupujesz pytań według podtematów.
Zasada: grupuj słowa kluczowe i strony według znaczenia, aby zdecydować, która strona co obejmuje, a następnie je połącz. Kiedy stosować: na poziomie witryny, przed tworzeniem treści i gdy strony kanibalizują się nawzajem. Zalety: buduje autorytet tematyczny i czystą architekturę. Ograniczenia: klastrowanie według pokrycia SERP i klastrowanie według embeddingów dają różne grupy; potrzebujesz reguły rozstrzygającej. Nasz przewodnik po klastrowaniu słów kluczowych opisuje oba podejścia, a wpis o mapie tematycznej wyjaśnia, jak zamienić klastry w plan.
| Metoda | Poziom | Najlepsza do | Główne ryzyko | Narzędzia |
|---|---|---|---|---|
| Optymalizacja encji | Strona | Strony produktów, marek i pojęć | Traktowanie salience jako czynnika rankingowego | Google Cloud Natural Language (v1), spaCy |
| Pokrycie terminów (TF-IDF) | Strona | Wykrywanie brakujących podtematów | Pisanie średniej z SERP, upychanie słów | Narzędzia do oceny treści, Python scikit-learn |
| Podobieństwo embeddingów | Fragment i witryna | Jakość odpowiedzi, kanibalizacja, linki wewnętrzne | Mylenie „na temat” z „dobrze” | Sentence Transformers, wektorowe bazy danych |
| Klasyfikacja intencji | Zapytanie i strona | Wybór właściwego formatu | Ignorowanie mieszanych SERP | Ręczny przegląd SERP, klasyfikatory |
| Wydobywanie pytań | Fragment | Cytowania w AI, snippety | Płytkie strony FAQ | People Also Ask, analiza promptów |
| Klastrowanie tematów | Witryna | Architektura, autorytet tematyczny | Niespójne reguły klastrów | Narzędzia do klastrowania, embeddingi |
Optymalizacja pod listę terminów kontra optymalizacja encji i fragmentów
To metoda, którą polecamy na początek: jedna ważna strona, jedno popołudnie. Potrzebujesz tekstu strony, trzech do pięciu konkurencyjnych stron i albo darmowych narzędzi online, albo kilku linijek Pythona.
Audyt NLP strony w 6 krokach
spaCy to darmowa biblioteka Pythona o otwartym kodzie. Jej mały model angielski działa na laptopie w kilka sekund. Poniższy skrypt wypisuje najczęstsze encje i najczęstsze podmioty gramatyczne Twojej strony: druga lista często mówi więcej niż pierwsza.
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")
Uważnie przeczytaj listę podmiotów. Jeśli na stronie o produkcie programowym dominują „you” i „it”, a nazwa produktu nigdy nie pojawia się jako podmiot, strona opisuje działania, nie mówiąc, kto je wykonuje. To da się naprawić w godzinę.

Ogólne modele spaCy nie obliczają salience. W tym celu wywołaj endpoint v1 analyzeEntities w Google Cloud Natural Language. Utwórz projekt, włącz API, uwierzytelnij się przez wiersz poleceń gcloud, a następnie wyślij tekst. Zapisz to ciało żądania jako request.json:
{
"document": {
"type": "PLAIN_TEXT",
"language": "en",
"content": "Paste the clean main text of your page here."
},
"encodingType": "UTF8"
}
Następnie wywołaj 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"
Odpowiedź zawiera encje z ich type, salience, mentions oraz, gdy encja jest połączona, obiekt metadata, który może zawierać wikipedia_url i mid (identyfikator Knowledge Graph). Encja z URL Wikipedii w metadanych została połączona ze znanym pojęciem; ważna encja bez niego może być niejednoznaczna lub zbyt nowa. Zastąp analyzeEntities przez classifyText, aby uzyskać kategorie treści. Zanim uruchomisz to na setkach stron, sprawdź aktualny cennik i limity w Google Cloud.
Biblioteka Sentence Transformers porównuje znaczenie pytania z każdym fragmentem Twojej strony. Model all-MiniLM-L6-v2 jest mały i wystarczająco dobry do tej kontroli.
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")
Dwa wyniki wymagają działania. Jeśli najlepszy fragment dla pytania to nie ten, który napisałeś jako odpowiedź, Twój fragment z odpowiedzią jest zbyt ogólny. Jeśli najlepszy wynik dla pytania jest znacznie niższy niż dla pozostałych, strona tak naprawdę na nie nie odpowiada. Porównuj wyniki między pytaniami na tej samej stronie, a nie z progiem bezwzględnym: wartości zależą od modelu.

Wskazówka
Nie znasz Pythona? Nasz darmowy LLM Readability Checker ocenia stronę pod kątem ekstrakcji przez AI, a Heading Structure Analyzer pokazuje, czy Twoje H2 i H3 zapowiadają pytania, na które odpowiadają Twoje fragmenty.
Większość problemów NLP naprawia się w pisaniu, a nie w narzędziu. Te reguły wynikają wprost z opisanego wyżej potoku: każda usuwa krok, na którym maszyna może się pomylić.
Używaj pełnej nazwy głównej encji jako podmiotu pierwszego zdania każdej sekcji. Unikaj zaczynania akapitu od „To” czy „Ten”. Zaimki są w porządku wewnątrz akapitu, gdy rzeczownik jest blisko.
Definicja, która podaje kategorię (Y) i cechę wyróżniającą (Z), to struktura najłatwiejsza do wyodrębnienia przez model i do zacytowania przez asystenta AI. „Salience encji to wynik od 0 do 1, który mierzy, jak centralna jest encja w tekście” wygrywa z trzema zdaniami kontekstu.
Ceny, daty, rozmiary, kompatybilności i ograniczenia muszą stać obok encji, którą opisują. „Sorank śledzi widoczność w ChatGPT, Gemini, Claude i Perplexity” to jeden fakt do wyodrębnienia. Ta sama informacja rozbita na nagłówek, punkt i przypis to trzy fragmenty.
Wybierz jedną nazwę dla każdego produktu, funkcji i pojęcia. Wprowadź synonim raz („query fan-out, czyli sposób, w jaki asystenci AI dzielą pytanie na kilka wyszukiwań”), a potem trzymaj się jednej formy.
Pod nagłówkiem, który zadaje pytanie, pierwsze zdanie podaje odpowiedź. Reszta fragmentu podaje warunki, przykład i wyjątki. To sprawia, że fragment jest samodzielny.
Jeden akapit przed i po przepisaniu pod NLP
Zdanie „po” to ilustracja struktury, a nie opis prawdziwego produktu: dostosuj atrybuty do tego, co naprawdę oferuje Twoja strona.
Python NLP w semantycznym SEO oznacza uruchomienie tego samego typu modelu embeddingów, co w teście fragmentów powyżej, ale na całych listach: Twoich słowach kluczowych i stronach witryny. Dwa krótkie skrypty odpowiadają na pytania, na które nie wystarczy sprawdzenie jednej strony. Które słowa kluczowe powinny trafić na tę samą stronę? Które Twoje strony konkurują o to samo znaczenie? Oba działają na Twoim komputerze za darmo i dają kandydatów do przejrzenia, a nie wyroki.
Zainstaluj biblioteki w wirtualnym środowisku, żeby nie kolidowały z innymi projektami Pythona:
python3 -m venv nlp-seo
source nlp-seo/bin/activate
pip install sentence-transformers scikit-learn
Przy pierwszym uruchomieniu model all-MiniLM-L6-v2 pobiera się jednorazowo. Potem oba skrypty działają offline.
Klasteryzacja zamienia płaską listę słów kluczowych w grupy, na które mogłaby odpowiedzieć jedna strona. Każde słowo kluczowe staje się wektorem, a słowa, których wektory są blisko siebie w odległości kosinusowej, trafiają do tej samej grupy. Trzymaj słowa kluczowe w pliku tekstowym, po jednym w wierszu, i uruchom ten skrypt:
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, # odległość kosinusowa: niższe wartości dają ściślejsze grupy
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)
Najważniejszy jest próg. Zacznij od 0,35 i przeczytaj wynik. Jeśli niezwiązane słowa trafiają do jednej grupy, obniż go. Jeśli temat jednej strony rozbija się na kilka grup, podnieś go. Średnie łączenie (average linkage) ogranicza łańcuchowanie, czyli sytuację, w której luźno powiązany ciąg słów łączy dwie niezwiązane grupy.
Drugi skrypt porównuje Twoje strony między sobą. Umieść w pliku z tabulatorami jeden wiersz na stronę, z nagłówkiem i kolumnami url oraz title. Tytuły są przybliżeniem, więc dla dokładniejszego testu wklej do kolumny title pierwszy akapit każdej strony.
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: # punkt wyjścia: dostosuj po przeczytaniu wyników
print(f"{score:.2f} {rows[i][0]} vs {rows[j][0]}")
Każda wypisana para to kandydat, a nie wyrok. Otwórz oba adresy i zapytaj, czy czytelnik spodziewałby się, że jedna ze stron odpowie na pytanie drugiej. Jeśli tak, scal te strony albo zostaw jedną jako główną, a drugiej zawęź temat. Hasło kanibalizacja słów kluczowych wyjaśnia, jak wybrać.
| Skrypt | Dane wejściowe | Wynik | Co decydujesz |
|---|---|---|---|
| Grupy słów kluczowych | Jedno słowo kluczowe w wierszu | Grupy słów o wspólnym znaczeniu | Czy każda grupa potrzebuje jednej strony, czy kilku |
| Konkurujące strony | URL i tytuł albo pierwszy akapit każdej strony | Pary stron powyżej Twojego progu | Czy scalić, zawęzić temat, czy zostawić obie strony |
Trzy ograniczenia mają znaczenie:
Te skrypty są odpowiednikiem na poziomie witryny testu fragmentów powyżej: jeden mówi, co należy razem, drugi, gdzie Twoje strony się nakładają. Jeśli nie chcesz utrzymywać skryptów, Topic Cluster Generator od Sorank wykonuje krok grupowania z wbudowaną kontrolą kanibalizacji.
Modele językowe czytają więcej niż Twoje akapity. Trzy elementy wokół tekstu niosą silne sygnały.
Znaczniki Schema.org same w sobie nie sprawiają, że strona się pozycjonuje, ale w formacie maszynowym mówią, o czym jest strona i do jakich znanych pojęć się odnosi. Właściwości about i mentions, z linkami sameAs do stron referencyjnych, usuwają niejednoznaczność przy łączeniu encji.
<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>
Wygeneruj i przetestuj swoje dane za pomocą naszego darmowego Schema Markup Generator i Structured Data Validator.
Nagłówki to pierwsza rzecz, której model używa, aby podzielić Twoją stronę na fragmenty. Nagłówek, który nazywa encję i pytanie („Jak obliczane jest salience encji”), daje czystszy fragment niż nagłówek pomysłowy („Pod maską”). Zachowaj ścisłą hierarchię H2 i H3: żadnego H3 bez nadrzędnego H2, żadnych pominiętych poziomów.
Tekst kotwicy to jeden z najstarszych sygnałów NLP w wyszukiwarkach: mówi wyszukiwarce, o czym jest strona docelowa, z zewnątrz. Używaj opisowych kotwic, które nazywają encję docelową, linkuj strony bliskie znaczeniowo i unikaj wysyłania tej samej kotwicy do dwóch różnych stron. Kokon semantyczny to najbardziej uporządkowany sposób, aby to zorganizować, a nasz przewodnik po automatycznym linkowaniu wewnętrznym wyjaśnia, jak to skalować bez tworzenia szumu.
Asystenci AI doprowadzają logikę NLP do końca. Nie szeregują całych stron: wyszukują fragmenty, porównują je znaczeniowo z podzapytaniami i składają odpowiedź, która czasem cytuje źródło. Wynikają z tego trzy konsekwencje.
Pełną metodę zastosowaną do odpowiedzi AI znajdziesz w naszym przewodniku po optymalizacji treści pod LLM.
To błędy, które najczęściej widzimy w audytowanych witrynach. Każdy ma objaw, który możesz zauważyć, i poprawkę, którą możesz wprowadzić dziś.
Na czym polega: przepisywanie tekstu, dopóki API nie da Twojemu słowu kluczowemu wysokiego salience albo narzędzie nie pokaże zielonego wyniku. Jak go wykryć: po optymalizacji strona czyta się gorzej; ta sama fraza pojawia się w każdym akapicie. Jak naprawić: używaj salience tylko do sprawdzenia kolejności encji, a stronę oceniaj po odpowiedziach i danych z Search Console. Google nigdy nie powiedziało, że używa wyników tego API w rankingu.
Na czym polega: dodanie „crawl budget” w zdaniu, bo wspomina o nim pięciu konkurentów. Jak go wykryć: terminy pojawiają się raz, bez kontekstu, bez wyjaśnienia. Jak naprawić: każda brakująca encja staje się pytaniem: czy mój czytelnik tego potrzebuje? Jeśli tak, napisz fragment; jeśli nie, zignoruj ją.
Na czym polega: wklejanie całej strony, łącznie z menu i stopką, do narzędzia NLP. Jak go wykryć: Twoje główne encje to nazwa marki, „cookies”, „kontakt” albo kategorie ze stopki. Jak naprawić: przed jakąkolwiek analizą wyodrębnij tylko treść artykułu.
Na czym polega: korzystanie ze starego tutorialu z aktualnym endpointem. Jak go wykryć: odpowiedź JSON zawiera encje i wystąpienia, ale nie zawiera salience. Jak naprawić: wywołaj /v1/documents:analyzeEntities, aby uzyskać salience, i pamiętaj, że v1 może się zmienić.
Na czym polega: akapity, w których „to”, „ten” i „oni” odnoszą się do rzeczowników sprzed kilku zdań. Jak go wykryć: powyższy skrypt spaCy liczy zdania zaczynające się od zaimka; więcej niż jedno na pięć na ważnej stronie to sygnał ostrzegawczy. Jak naprawić: powtarzaj rzeczownik na początku każdego akapitu i po każdym nagłówku.
Na czym polega: jeden URL próbuje zdefiniować pojęcie, porównać narzędzia i sprzedać produkt. Jak go wykryć: strona pozycjonuje się na wiele zapytań na pozycjach od 15 do 40 i na żadne w top 5. Jak naprawić: zostaw dominującą intencję, przenieś pozostałe na dedykowane strony, połącz je linkami.
Na czym polega: rozdmuchiwanie strony, by osiągnąć docelową liczbę słów lub gęstość słowa kluczowego. Jak go wykryć: powtarzane wstępy, ogólnikowe akapity, które pasowałyby na każdą stronę. Jak naprawić: usuń każdy fragment, który nie odpowiada na pytanie, jakie zadałby czytelnik. Nasz Keyword Density Calculator przydaje się na odwrót: do znalezienia miejsc, gdzie powtarzasz się za bardzo.
Na czym polega: używanie nazwy marki lub produktu, której maszyna nie odróżni od zwykłego słowa albo innej firmy. Jak go wykryć: API zwraca Twoją markę jako OTHER lub CONSUMER_GOOD bez metadanych albo łączy ją z niewłaściwym pojęciem. Jak naprawić: dodaj kategorię obok nazwy, użyj schema Organization lub Product z sameAs wskazującym na oficjalne profile i utrzymuj identyczną nazwę wszędzie.
Lista kontrolna NLP SEO dla jednej strony
Nie potrzebujesz dużego zestawu narzędzi. Wybieraj je według pytania, na które potrzebujesz odpowiedzi.
| Narzędzie | Typ | Co Ci mówi | Wymagane umiejętności | Najlepsze zastosowanie |
|---|---|---|---|---|
| Google Cloud Natural Language | API w chmurze (zob. cennik Google Cloud) | Encje, salience (v1), kategorie, sentyment, składnia | Średnie: projekt Google Cloud i kilka poleceń | Sprawdzanie, jak model Google odczytuje Twoje kluczowe strony |
| spaCy | Biblioteka Pythona o otwartym kodzie | Encje, struktura zdań, podmioty, lematy | Podstawy Pythona | Audyt wielu stron lokalnie, bez kosztów |
| Sentence Transformers | Biblioteka Pythona o otwartym kodzie | Podobieństwo znaczeniowe między zapytaniami a fragmentami | Podstawy Pythona | Kontrola odpowiedzi, kanibalizacja, mapowanie linków wewnętrznych |
| Google Search Console | Darmowe narzędzie Google | Zapytania, na które naprawdę wyświetla się każdy URL | Brak | Pomiar efektu przepisania |
| Narzędzia do optymalizacji treści | SaaS | Luki w terminach i encjach względem stron z czołówki | Brak | Szybkie sprawdzenie podtematów przed pisaniem |
| Sorank | Oprogramowanie SEO i GEO na autopilot | Przepisywanie, klastry tematyczne, śledzenie widoczności w AI | Brak | Stosowanie metody w całej witrynie |
Porównanie komercyjnych opcji znajdziesz w naszym zestawieniu najlepszych narzędzi do optymalizacji treści. Jeśli masz dziesiątki starszych stron do poprawy, funkcja Content Optimization w Sorank audytuje i przepisuje istniejące strony na autopilot, a Topic Cluster Generator grupuje Twoje słowa kluczowe według znaczenia, zanim zaczniesz pisać, z wbudowaną kontrolą kanibalizacji.
Zmiany NLP dotyczą zrozumienia, więc najpierw mierz zrozumienie, a dopiero potem ruch.
W Google Search Console przefiltruj raport Skuteczność na przepisany URL i policz różne zapytania z wyświetleniami w okresie 28 dni, przed i po. Strona, która jest lepiej rozumiana, zwykle w ciągu kilku tygodni pojawia się dla większej liczby wariantów z długiego ogona, często zanim zmienią się kliknięcia.
Śledź 5 do 10 pytań użytych w teście fragmentów. Jeśli wyświetlenia rosną, a pozycja nie, strona jest rozumiana, ale nie preferowana: popracuj nad głębią, przykładami i linkami.
Zadaj te same prompty w ChatGPT, Gemini, Claude i Perplexity przed i po, i zanotuj, czy Twoja strona jest cytowana. Powtarzaj co miesiąc: odpowiedzi AI różnią się między kolejnymi uruchomieniami, więc jeden test niczego nie dowodzi. W wersji uporządkowanej przeprowadź semantyczny audyt SEO całego klastra, a nie pojedynczej strony.
Wybierz stronę, która przynosi Ci najwięcej biznesu, i przeprowadź na niej audyt w sześciu krokach. Napraw pierwsze dwa problemy, które znajdziesz, zwykle główną encję, która nie dominuje, i fragment z odpowiedzią, który jest zbyt ogólnikowy. Potem zanotuj datę i sprawdź zapytania tej strony w Search Console za cztery tygodnie.
NLP w SEO oznacza tworzenie treści łatwych do zrozumienia dla modeli językowych: jakie encje obejmuje strona, na jakie pytania odpowiada każdy fragment i jak strona łączy się z resztą witryny. Google używa modeli językowych takich jak BERT w wyszukiwarce od 2019 roku, a asystenci AI opierają się na nich całkowicie, więc jasne i jednoznaczne pisanie stało się w praktyce czynnikiem rankingowym i warunkiem cytowania.
Żadne publiczne oświadczenie Google nie mówi, że wynik salience z Cloud Natural Language API jest używany w rankingu. Wynik jest przydatnym przybliżeniem, by sprawdzić, czy główny temat dominuje na stronie, ale lepiej czytać kolejność encji niż gonić za liczbą. Salience zwraca tylko wersja 1 API.
spaCy i Sentence Transformers to darmowe biblioteki Pythona o otwartym kodzie do ekstrakcji encji i podobieństwa fragmentów. Google Search Console, również darmowe, pokazuje potem, czy przepisana strona wyświetla się dla większej liczby zapytań. Google Cloud Natural Language dodaje salience i kategorie, a opłaty naliczane są według cennika Google Cloud.
