Настройки

Конфиденциальность важна для нас, поэтому вы можете отключить отдельные виды хранения данных, которые не нужны для базовой работы сайта. Блокировка некоторых категорий может повлиять на ваше впечатление от сайта. Подробнее (Политика использования cookie)

NLP SEO: как Google и AI читают ваш контент и как писать для них

Как NLP влияет на Google и AI-поиск: сущности, salience, эмбеддинги, NLP-аудит страницы в 6 шагов с кодом, правила текста и ошибки, которых стоит избегать.

Опубликовано
16/11/2026
Обновлено
16/11/2026
Время чтения
23 мин
NLP SEO: как Google и AI читают ваш контент и как писать для них

Инструменты

На этой странице

Коротко

NLP SEO означает писать и структурировать страницы так, чтобы языковые модели Google и AI-ассистентов точно понимали, о чём ваша страница: какие сущности она охватывает, на какой вопрос отвечает каждый фрагмент и как она связана с остальным сайтом. На практике вы прогоняете текст через те же типы инструментов (извлечение сущностей, классификация, эмбеддинги), исправляете то, что машина понимает неверно, и переписываете предложения так, чтобы главная тема, её свойства и ответы стали явными. Это не новый трюк для ранжирования: это способ убрать неоднозначность, а именно неоднозначность стоит вам позиций и цитирований в AI-ответах.

Хотите узнать больше? Спросите

Короткий тест

Подходит ли вам SEO и с чего начать?

Вопрос 1 из 425%
Ищут ли люди в Google то, что вы продаёте?

Что на самом деле означает NLP SEO (и чем оно не является)

Обработка естественного языка (natural language processing, NLP) это раздел AI, который превращает человеческий текст в данные, с которыми машина может рассуждать: слова, предложения, сущности, связи и смысл. Если сначала нужно общее определение, прочитайте статью нашего глоссария о natural language processing. Для SEO важно более узкое определение: NLP это то, как поисковая система решает, что означает ваша страница, прежде чем решить, где её ранжировать.

Поэтому у NLP SEO три уровня. Для результата нужны все три.

  1. Понимать, как читают машины. Google использует языковые модели в ранжировании со времён BERT, а AI-ассистенты целиком построены на них. Их слабые места (размытые подлежащие, цепочки местоимений, отсутствующие определения) предсказуемы.
  2. Измерять, как читают вашу страницу. Можно прогнать собственный текст через публичные NLP-инструменты и увидеть, какие сущности выделяются, к какой категории относится текст и какие фрагменты соответствуют запросу.
  3. Писать и структурировать ради ясности. Вы исправляете то, что инструменты понимают неверно: называете вещи, определяете их, привязываете к ним свойства и ставите ссылки на нужные страницы.

Чем NLP SEO не является: это не набивка страницы списком «NLP-ключевых слов» и не погоня за оценкой в контент-инструменте. Google прямо говорит об этом в руководстве по созданию полезного, надёжного контента для людей: если вы пишете под определённое число слов, потому что слышали, что Google его предпочитает, ответ «Нет, не предпочитаем». Та же логика относится к спискам терминов. Цель в том, чтобы вас поняли, а не в том, чтобы выглядеть оптимизированным.

Почему понимание языка изменило SEO

1 из 10англоязычных запросов в США BERT стал понимать лучше при запуске (октябрь 2019)
1000xмощнее BERT, по словам Google, модель MUM (май 2021)
75языков, на которых обучали MUM

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

От строк к сущностям

Представляя BERT, Панду Наяк (Google Fellow и вице-президент по поиску) объяснил в официальном анонсе от 25 октября 2019 года, что модель поможет Поиску лучше понимать один из 10 англоязычных запросов в США. Его пример: запрос «2019 brazil traveler to usa need a visa». До BERT слово «to» почти игнорировалось, и Google показывал результаты о гражданах США, едущих в Бразилию. После BERT направление поездки стало понятным. Этот единственный предлог и есть NLP SEO в двух словах: маленькие слова несут смысл, и модели теперь их читают. Страница нашего глоссария об алгоритме BERT подробнее рассказывает о самой модели.

Два года спустя Google представил MUM в публикации от 18 мая 2021 года, описав модель как в 1000 раз более мощную, чем BERT, и обученную на 75 языках. Пример: турист, который поднимался на гору Адамс и хочет подготовиться к восхождению на Фудзи следующей осенью. Такой вопрос требует сравнить две сущности и понять, что значит «подготовиться». Сегодня AI Overviews, ChatGPT, Perplexity и Gemini работают по тому же принципу: читают фрагменты, распознают сущности и собирают ответы. Ваша страница это сырьё для этого процесса.

Как поисковики и AI читают вашу страницу: NLP-конвейер

Математику знать не нужно. Нужно знать этапы, потому что на каждом из них страницу могут понять неправильно. Вот конвейер в том порядке, в каком его запускает типичная система.

7 этапов, через которые проходит машина, читая вашу страницу

  1. Выделить основной контентНавигация, подвал, баннеры cookies и боковые колонки отделяются от основного текста. Тонкие или беспорядочные шаблоны размывают этот этап.
  2. Разбить на предложения и токеныТекст делится на предложения, затем на токены (слова или части слов). Очень длинные предложения и отсутствие пунктуации ухудшают этот этап.
  3. Разметить и разобратьКаждый токен получает часть речи и роль в предложении: подлежащее, сказуемое, дополнение, определение.
  4. Распознать сущностиНазвания продуктов, людей, мест, понятий и числа находятся и типизируются (организация, место, цена, дата...).
  5. Связать сущностиКаждая сущность сопоставляется с известным понятием в базе знаний, чтобы «Jaguar» стал автомобильной маркой или животным.
  6. Построить эмбеддинги фрагментовПредложения и фрагменты превращаются в векторы, чтобы смысл можно было сравнить с запросом даже без общих слов.
  7. Классифицировать и оценитьСтранице присваиваются темы, профиль интента и в некоторых системах тональность. Фрагменты ранжируются относительно запросов.

Что каждый этап значит для вашего контента

Таблица ниже связывает каждую NLP-задачу с конкретным риском на странице и исправлением, которое зависит от вас.

NLP-задачаЧто делает машинаТипичная проблема на страницеЧто вы меняете
Удаление шаблонного контентаОтделяет основной контент от шаблонаВступление спрятано за 600 словами меню и виджетовПоставьте ответ в первый абзац основного контента, в простом HTML
Разбиение на предложенияДелит текст на предложенияПункты списка без глагола, предложения по 60 словОдна мысль на предложение, полные предложения в списках с фактами
Синтаксический разбор зависимостейНаходит подлежащее, сказуемое и дополнениеПодлежащее «он» или «это» стоит в трёх предложениях от своего существительногоПовторите существительное, держите подлежащее и сказуемое рядом
Распознавание именованных сущностейНаходит и типизирует названияВаш продукт написан пятью разными способамиВыберите одно каноническое название, варианты используйте только после их введения
Связывание сущностейСопоставляет названия с известными понятиямиНеоднозначное название бренда без контекстаДобавьте категорию рядом с названием («Sorank, SEO-сервис...») и разметку с sameAs
ЭмбеддингиСравнивает смысл запроса и фрагментаФрагмент, который должен отвечать, общий и подошёл бы любой страницеПишите фрагменты, которые повторяют термины вопроса и дают конкретный ответ
КлассификацияПрисваивает темы и интентСтраница продукта, полная отступлений в стиле блогаОдин доминирующий интент на URL, остальные интенты переносятся на другие страницы

Примечание

Никто за пределами Google не знает точно, какие модели используются в ранжировании. Инструменты из этого руководства лишь приближения: они читают текст так, как современные языковые модели, а не так, как система ранжирования Google. Используйте их, чтобы находить неоднозначность, а не чтобы предсказывать позиции.

Иллюстрация веб-страницы, текст которой превращается в сеть связанных синих узлов, обозначающих сущности и связи между ними.
NLP превращает слова вашей страницы в сущности и связи: чем они яснее, тем лучше страницу понимают Google и AI-ассистенты.

NLP-сигналы, которые можно измерить на своей странице

Пять сигналов измеряются бесплатными или недорогими инструментами. Каждый говорит о своём, и ни один сам по себе не является фактором ранжирования.

Сущности и salience

Сущность это именованная «вещь»: бренд, продукт, человек, место, понятие вроде «каннибализации ключевых слов». Cloud Natural Language API от Google возвращает для каждой сущности тип, её упоминания и, в версии 1 API, оценку salience (насколько сущность центральна для текста). Справочник v1 Entity описывает её как «the salience score associated with the entity in the [0, 1.0] range». Типы сущностей: UNKNOWN, PERSON, LOCATION, ORGANIZATION, EVENT, WORK_OF_ART, CONSUMER_GOOD, OTHER, PHONE_NUMBER, ADDRESS, DATE, NUMBER и PRICE.

Salience относительна внутри документа: оценки всех сущностей текста конкурируют между собой. Поэтому полезно смотреть на порядок, а не на число. Если страница нацелена на «NLP SEO», а верхняя сущность «Google», то для машины страница в основном о Google. Подробности в статье глоссария об entity salience.

Внимание: v1 и v2

Объект Entity в v2 Natural Language API содержит только name, type, metadata, mentions и sentiment: поля salience нет. Если в руководстве показаны оценки salience, значит, оно вызывает v1. Если вы пишете скрипт сегодня, вызывайте для salience именно эндпоинт v1 и сверяйтесь с документацией, прежде чем на него полагаться.

Страница продукта Google Cloud Natural Language, API для извлечения сущностей, категорий и тональности из текста.
Google Cloud Natural Language: публичная страница API, которое возвращает сущности, salience (v1), категории и тональность.

Категории контента

Метод classifyText возвращает категории из фиксированной таксономии (например, путь вида /Internet & Telecom/Web Services). В документации Google по основам Natural Language указано, что для классификации нужен текст не короче двадцати токенов. Польза для SEO: если страница, задуманная под «SEO-сервис», попадает в общую маркетинговую категорию, её лексика слишком общая.

Тональность

Анализ тональности возвращает оценку от -1,0 (негатив) до 1,0 (позитив) и магнитуду, которая показывает, сколько эмоций несёт текст. На уровне документа магнитуда начинается с 0,0 и не нормализована, поэтому длинный текст со смешанными мнениями может показать нейтральную оценку и высокую магнитуду. В SEO тональность важна прежде всего на страницах отзывов, сравнений и подборок «лучшие X», где плоский текст без мнения отвечает на вопрос, который требует мнения.

Синтаксис

Синтаксический анализ возвращает для каждого токена часть речи, лемму и зависимость. Стоит сделать две проверки: как часто главная сущность выступает грамматическим подлежащим и сколько предложений начинается с местоимения («Он», «Это», «Они»). Страница, где главная сущность служит подлежащим во многих предложениях, говорит о ней, а не вокруг неё.

Эмбеддинги и сходство фрагментов

Эмбеддинги превращают фрагмент в вектор. Сравнивая вектор запроса с векторами ваших фрагментов (косинусное сходство), вы видите, какой фрагмент выбрала бы система поиска для этого запроса. Это ближайшее публичное приближение того, как AI-ассистенты выбирают цитируемый фрагмент. И лучшая проверка того, отвечает ли страница на вопрос или только упоминает его.

Методы NLP SEO: сравнение

Под «NLP SEO» скрываются шесть разных методов. Поставщики обычно продают один из них так, будто это вся область. Вот каждый, с тем, когда его применять и где он перестаёт работать.

1. Оптимизация сущностей

Принцип: определите сущности, которые должен содержать полный ответ (главная сущность, её свойства, связанные сущности), проверьте, что страница их явно называет и что главная сущность доминирует. Когда применять: на страницах о продукте, бренде, человеке, месте или чётко определённом понятии. Сильные стороны: соответствует тому, как строятся графы знаний и AI-ответы, и устраняет неоднозначность в корне. Ограничения: извлечение сущностей пропускает отраслевой жаргон и новые понятия; в v2 API Google нет salience. Пример: страница о «Shopify SEO», где «WordPress» оказывается среди верхних сущностей из-за длинного сравнительного абзаца: абзац переносится на отдельную страницу, и страница о Shopify получает фокус. Наше руководство по entity SEO раскрывает стратегическую сторону.

2. Покрытие терминов (TF-IDF и совместная встречаемость)

Принцип: сравните термины страниц из топа со своими, взвешенные по специфичности (TF-IDF), и заполните пробелы. Так работает большинство инструментов оценки контента. Когда применять: чтобы найти забытые подтемы на информационной странице. Сильные стороны: быстро и легко объяснить автору. Ограничения: копирует среднее по выдаче, поощряет повторы и ничего не говорит о том, отвечаете ли вы на вопрос. Список терминов это чек-лист подтем, а не квота слов. Пример: все страницы из топа по запросу «технический SEO-аудит» упоминают «краулинговый бюджет» и «canonical», ваша нет: не хватает двух разделов, а не двух слов.

3. Сходство эмбеддингов

Принцип: закодируйте запросы и фрагменты в векторы и измерьте, насколько они близки. Когда применять: чтобы проверить, что на каждый целевой вопрос есть фрагмент, который явно на него отвечает, найти две страницы, конкурирующие за один смысл, и выстроить внутренние ссылки по смыслу. Сильные стороны: работает без общих слов и близок к тому, как устроен поиск для AI-ответов. Ограничения: оценки зависят от модели; высокая оценка означает «по теме», а не «верно» или «полезно». Пример: фрагмент, отвечающий на «сколько времени занимает SEO», получает оценку ниже, чем не относящийся к делу вводный абзац: ответ слишком расплывчатый, его переписывают и ставят сроки в начало.

4. Классификация интента

Принцип: классифицируйте запрос (информационный, коммерческий, транзакционный, навигационный) и формат, который поощряет Google (руководство, список, инструмент, страница продукта), затем подстройтесь. Когда применять: до написания текста и когда хорошая страница совсем не ранжируется. Сильные стороны: исправляет самую дорогую ошибку, неверный формат. Ограничения: бывает смешанная выдача; интент меняется со временем. См. статью глоссария о поисковом интенте.

5. Сбор вопросов и фрагментов

Принцип: соберите вопросы, которые задают люди (блок «Похожие вопросы», форумы, промпты в AI, обращения в поддержку), и дайте каждому самостоятельный фрагмент. Когда применять: для видимости в AI и расширенных сниппетов. Сильные стороны: сразу даёт фрагменты, которые можно цитировать. Ограничения: может раздробить страницу в поверхностный FAQ, если не сгруппировать вопросы по подтемам.

6. Тематическое моделирование и кластеризация

Принцип: сгруппируйте ключевые слова и страницы по смыслу, чтобы решить, какая страница что охватывает, затем свяжите их ссылками. Когда применять: на уровне сайта, до производства контента и когда страницы каннибализируют друг друга. Сильные стороны: создаёт тематический авторитет и чистую архитектуру. Ограничения: кластеризация по пересечению выдачи и по эмбеддингам даёт разные группы; нужно правило для выбора. Наше руководство по кластеризации ключевых слов описывает оба подхода, а статья о topical map объясняет, как превратить кластеры в план.

МетодУровеньЛучше всего дляГлавный рискИнструменты
Оптимизация сущностейСтраницаСтраницы продуктов, брендов и понятийСчитать salience фактором ранжированияGoogle Cloud Natural Language (v1), spaCy
Покрытие терминов (TF-IDF)СтраницаПоиск недостающих подтемПисать «среднее по выдаче», переспамИнструменты оценки контента, Python scikit-learn
Сходство эмбеддинговФрагмент и сайтКачество ответа, каннибализация, внутренние ссылкиПутать «по теме» с «хорошо»Sentence Transformers, векторные базы данных
Классификация интентаЗапрос и страницаВыбор правильного форматаИгнорировать смешанную выдачуРучной разбор выдачи, классификаторы
Сбор вопросовФрагментЦитирования в AI, сниппетыПоверхностные страницы FAQ«Похожие вопросы», анализ промптов
Тематическая кластеризацияСайтАрхитектура, тематический авторитетНепоследовательные правила кластеровИнструменты кластеризации, эмбеддинги

Оптимизация по списку терминов против сущностей и фрагментов

Список терминов (оценка TF-IDF)
  • Быстрая проверка пробелов относительно конкурентов
  • Поощряет повтор слов
  • Копирует среднее по выдаче
  • Ничего не говорит о качестве ответа
Сущности и фрагменты
  • Убирает неоднозначность главной темы
  • Даёт фрагменты, которые AI может цитировать
  • Работает между языками и синонимами
  • Требует чуть больше подготовки

Пошагово: NLP-аудит одной страницы

С этого метода мы советуем начать: одна важная страница, один вечер. Нужны текст страницы, три-пять конкурирующих страниц и либо бесплатные онлайн-инструменты, либо несколько строк на Python.

NLP-аудит страницы за 6 шагов

  1. Извлеките чистый текстСкопируйте в текстовые файлы только основной контент (без меню и подвала) своей страницы и 3-5 страниц из топа.
  2. Составьте список сущностейЗапустите извлечение сущностей. Запишите 10 главных сущностей каждой страницы и их порядок.
  3. Проверьте главную сущностьВаше целевое понятие должно входить в тройку на вашей странице. Если нет, найдите сущности, которые перетягивают фокус.
  4. Найдите недостающие сущностиСущности, которые есть у большинства конкурентов и отсутствуют у вас, это кандидаты в подтемы, а не слова для вставки.
  5. Проверьте фрагменты на вопросахЗапишите 5-10 вопросов, на которые должна отвечать страница, и измерьте, какой фрагмент соответствует каждому.
  6. Перепишите и запустите сноваИсправьте слабые фрагменты, повторите обе проверки, затем следите за запросами этого URL в Search Console в ближайшие недели.

Шаги 1 и 2: извлечение сущностей с помощью spaCy

spaCy это бесплатная библиотека Python с открытым исходным кодом. Её небольшая английская модель работает на ноутбуке за секунды. Скрипт ниже выводит самые частые сущности и самые частые грамматические подлежащие вашей страницы: второй список часто показательнее первого.

import spacy
from collections import Counter

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

# Что является подлежащим в ваших предложениях?
subjects = Counter(t.lemma_.lower() for t in doc if t.dep_ in ("nsubj", "nsubjpass"))
print(subjects.most_common(15))

# Сколько предложений начинается с размытого местоимения?
vague = [s.text for s in doc.sents if s[0].lower_ in ("it", "this", "that", "they")]
print(len(vague), "предложений начинается с местоимения")

Внимательно прочитайте список подлежащих. Если на странице о программном продукте доминируют «вы» и «он», а название продукта ни разу не выступает подлежащим, страница описывает действия, не говоря, кто их выполняет. Это исправляется за час.

Страница документации spaCy о лингвистических функциях, таких как распознавание именованных сущностей и разбор зависимостей.
Документация spaCy о лингвистических функциях: распознавание сущностей, разметка частей речи и разбор зависимостей, бесплатно и с открытым кодом.

Шаг 3: получение salience из API Google (v1)

Общие модели spaCy не вычисляют salience. Для этого вызовите эндпоинт analyzeEntities в v1 Google Cloud Natural Language. Создайте проект, включите API, авторизуйтесь через командную строку gcloud и отправьте текст. Сохраните тело запроса как request.json:

{
  "document": {
    "type": "PLAIN_TEXT",
    "language": "en",
    "content": "Вставьте сюда чистый основной текст страницы."
  },
  "encodingType": "UTF8"
}

Затем вызовите эндпоинт:

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"

В ответе перечислены сущности с полями type, salience, mentions и, если сущность связана, объектом metadata, который может содержать wikipedia_url и mid (идентификатор в Knowledge Graph). Сущность с URL Википедии в метаданных связана с известным понятием; важная сущность без него может быть неоднозначной или слишком новой. Замените analyzeEntities на classifyText, чтобы получить категории контента. Перед запуском на сотнях страниц проверьте актуальные цены и квоты Google Cloud.

Шаг 5: проверка фрагментов на вопросах с помощью эмбеддингов

Библиотека Sentence Transformers сравнивает смысл вопроса с каждым фрагментом страницы. Модель all-MiniLM-L6-v2 небольшая и подходит для такой проверки.

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  лучшая оценка {scores[best]:.2f}: {passages[best][:100]}\n")

Два исхода требуют действий. Если лучший фрагмент для вопроса не тот, что вы писали как ответ, ваш ответ слишком общий. Если лучшая оценка по вопросу сильно ниже остальных, страница на него по-настоящему не отвечает. Сравнивайте оценки между вопросами одной страницы, а не с абсолютным порогом: значения зависят от модели.

Главная страница документации Sentence Transformers, библиотеки для сравнения смысла запросов и фрагментов.
Sentence Transformers: библиотека с открытым кодом, которая измеряет, насколько фрагмент близок к вопросу.

Совет

Нет Python? Наш бесплатный LLM Readability Checker оценивает страницу с точки зрения извлечения для AI, а Heading Structure Analyzer показывает, анонсируют ли ваши H2 и H3 вопросы, на которые отвечают фрагменты.

Писать для NLP: правила на уровне предложений, которые работают

Большинство NLP-проблем решается в тексте, а не в инструменте. Эти правила следуют прямо из конвейера выше: каждое убирает этап, на котором машина может ошибиться.

Назовите подлежащее и держитесь его

Используйте полное название главной сущности как подлежащее первого предложения каждого раздела. Не начинайте абзац с «Он» или «Это». Местоимения допустимы внутри абзаца, когда существительное рядом.

Давайте определение в форме «X это Y, который Z»

Определение, где указаны категория (Y) и отличительный признак (Z), легче всего извлечь модели и процитировать AI-ассистенту. «Entity salience это оценка от 0 до 1, которая показывает, насколько сущность центральна для текста» лучше трёх предложений контекста.

Привязывайте свойства к сущности в том же предложении

Цены, даты, размеры, совместимость и ограничения должны стоять рядом с сущностью, которую описывают. «Sorank отслеживает видимость в ChatGPT, Gemini, Claude и Perplexity» это один извлекаемый факт. Та же информация, разбросанная по заголовку, пункту списка и сноске, это три фрагмента.

Одно каноническое название для каждой вещи

Выберите одно название для каждого продукта, функции и понятия. Введите синоним один раз («query fan-out, то есть то, как AI-ассистенты разбивают вопрос на несколько поисков») и дальше придерживайтесь одной формы.

Сначала ответ, потом объяснение

Под заголовком-вопросом первое предложение даёт ответ. Остальная часть фрагмента даёт условия, пример и исключения. Именно это делает фрагмент самостоятельным.

Один абзац до и после NLP-переписывания

До
  • «Он помогает вам стать заметнее. Это происходит автоматически каждую неделю.»
  • Неясное подлежащее: «он» и «это»
  • Ни сущности, ни свойства, ни числа
  • Подошёл бы любой странице SaaS
После
  • «Трекер позиций проверяет ваши 200 целевых ключевых слов в Google каждый понедельник и присылает по почте страницы, которые просели.»
  • Названное подлежащее: «трекер позиций»
  • Привязанные свойства: ключевые слова, поисковик, частота, результат
  • Достаточно конкретно, чтобы цитировать как факт

Предложение «после» иллюстрирует структуру и не описывает реальный продукт: подставьте свойства того, что ваша страница действительно предлагает.

Python NLP для семантического SEO: группировка ключевых слов и поиск конкурирующих страниц

Python NLP для семантического SEO означает запуск той же модели эмбеддингов, что и в тесте фрагментов выше, но для целых списков: ваших ключевых слов и страниц сайта. Два коротких скрипта отвечают на вопросы, которые не может решить проверка одной страницы. Какие ключевые слова относятся к одной странице? Какие ваши страницы конкурируют за один и тот же смысл? Оба работают на вашем компьютере бесплатно, и оба выдают кандидатов для проверки, а не вердикты.

Настройте окружение

Установите библиотеки в виртуальное окружение, чтобы они не конфликтовали с другими проектами Python:

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

При первом запуске модель all-MiniLM-L6-v2 загружается один раз. После этого оба скрипта работают офлайн.

Группируйте ключевые слова по смыслу

Кластеризация превращает плоский список ключевых слов в группы, на которые может ответить одна страница. Каждое ключевое слово становится вектором, и слова, чьи векторы близки по косинусному расстоянию, попадают в одну группу. Сохраните ключевые слова в текстовом файле, по одному в строке, и запустите этот скрипт:

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,  # косинусное расстояние: меньшие значения дают более строгие группы
    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)

Важнее всего порог. Начните с 0.35 и изучите результат. Если в одной группе оказались несвязанные ключевые слова, уменьшите порог. Если тема одной страницы разбита на несколько групп, увеличьте его. Average linkage уменьшает эффект цепочки, когда цепочка слабо связанных слов объединяет две несвязанные группы.

Найдите страницы, которые конкурируют за один смысл

Второй скрипт сравнивает ваши страницы между собой. Поместите по одной строке на страницу в файл с табуляцией и строкой заголовков, с колонками url и title. Заголовки дают грубую оценку, поэтому для более точной проверки вставьте в колонку title первый абзац каждой страницы.

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:  # отправная точка: скорректируйте после изучения результатов
            print(f"{score:.2f}  {rows[i][0]}  vs  {rows[j][0]}")

Каждая выведенная пара это кандидат, а не вердикт. Откройте оба адреса и спросите себя, ожидал бы читатель, что одна из страниц ответит на вопрос другой. Если да, объедините две страницы или оставьте одну основной, а у второй сузьте фокус. Запись о каннибализации ключевых слов объясняет, как выбрать.

СкриптВходРезультатЧто вы решаете
Группы ключевых словОдно ключевое слово в строкеГруппы слов с общим смысломНужна ли каждой группе одна страница или несколько
Конкурирующие страницыURL и заголовок или первый абзац для каждой страницыПары страниц выше вашего порогаОбъединить, перефокусировать или оставить обе страницы

Три ограничения важны:

  • Оценки зависят от модели. Сравнивайте пары и группы из одного запуска и никогда не копируйте порог из учебника.
  • Эмбеддинги отражают смысл, а не намерение. «Лучшее CRM-ПО» и «как настроить CRM» относятся к одной теме, но нужны разные страницы, поэтому проверьте намерение, прежде чем что-либо объединять.
  • Названия брендов, продуктов и очень новые термины могут кодироваться плохо. Проверяйте такие группы вручную.

Скрипты это аналог на уровне сайта для теста фрагментов выше: один показывает, что должно быть вместе, другой показывает, где ваши страницы пересекаются. Если вы не хотите поддерживать скрипты, Topic Cluster Generator выполняет шаг группировки со встроенной проверкой на каннибализацию.

NLP за пределами текста: структурированные данные, заголовки и внутренние ссылки

Языковые модели читают не только абзацы. Три элемента вокруг текста несут сильные сигналы.

Структурированные данные, которые называют ваши сущности

Разметка Schema.org сама по себе не поднимает страницу в выдаче, но сообщает в машинном формате, о чём страница и на какие известные понятия она ссылается. Свойства about и mentions со ссылками sameAs на справочные страницы снимают неоднозначность при связывании сущностей.

<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>

Создайте и проверьте свою разметку с помощью наших бесплатных Schema Markup Generator и Structured Data Validator.

Заголовки как оглавление для машин

Заголовки модель использует в первую очередь, чтобы разбить страницу на фрагменты. Заголовок, который называет сущность и вопрос («Как рассчитывается entity salience»), даёт более чистый фрагмент, чем остроумный («Под капотом»). Соблюдайте строгую иерархию H2 и H3: ни одного H3 без родительского H2, без пропуска уровней.

Внутренние ссылки как карта смыслов

Анкорный текст один из старейших NLP-сигналов в поиске: он извне сообщает поисковику, о чём целевая страница. Используйте описательные анкоры, которые называют целевую сущность, связывайте близкие по смыслу страницы и не отправляйте один и тот же анкор на две разные страницы. Семантический кокон самый структурированный способ это организовать, а наше руководство по автоматической внутренней перелинковке объясняет, как масштабировать её без шума.

NLP SEO для AI-поиска: как попасть в цитаты ChatGPT, Gemini и Perplexity

AI-ассистенты доводят логику NLP до предела. Они ранжируют не целые страницы: они извлекают фрагменты, сравнивают их по смыслу с подзапросами и собирают ответ, который иногда цитирует источник. Отсюда три следствия.

  1. Каждый фрагмент должен быть самостоятельным. Извлекается кусок страницы, а не страница целиком. Если он зависит от определения, данного три раздела назад, он проигрывает.
  2. Один вопрос превращается в несколько поисков. Ассистенты разбивают промпт на подзапросы (query fan-out). Страница, которая отвечает на главный вопрос, но не на естественные уточнения (цена, альтернативы, ограничения, с чего начать), покрывает лишь часть того, что ищут. Query Fan-Out Tracker от Sorank показывает, какие поиски AI на самом деле выполняет за промптом.
  3. Важен консенсус по сущностям. Ассистент увереннее в факте, который находит одинаково сформулированным в нескольких источниках. Помогают единые названия и свойства на вашем сайте, в профилях и в упоминаниях на сторонних ресурсах. Этот уровень разбирает наша статья об entity consensus.

Полный метод в применении к AI-ответам описан в нашем руководстве по оптимизации контента для LLM.

Частые ошибки NLP SEO (и как их исправить)

Эти ошибки мы чаще всего видим на сайтах при аудите. У каждой есть заметный симптом и исправление, которое можно сделать сегодня.

1. Считать salience или оценку контента фактором ранжирования

Что это: переписывать текст, пока API не даст ключевому слову высокую salience или пока инструмент не покажет зелёную оценку. Как заметить: после оптимизации страница читается хуже; одна и та же фраза встречается в каждом абзаце. Как исправить: используйте salience только для проверки порядка сущностей, а страницу оценивайте по ответам и данным Search Console. Google никогда не заявлял, что использует оценки этого API в ранжировании.

2. Вставлять термины конкурентов как слова, а не как содержание

Что это: добавить «краулинговый бюджет» в предложение, потому что его упоминают пять конкурентов. Как заметить: термины встречаются один раз, вне контекста и без объяснения. Как исправить: каждая недостающая сущность становится вопросом: нужно ли это моему читателю? Если да, напишите фрагмент; если нет, пропустите.

3. Анализировать весь HTML вместо основного контента

Что это: вставлять в NLP-инструмент всю страницу вместе с меню и подвалом. Как заметить: верхние сущности это название бренда, «cookies», «контакты» или категории из подвала. Как исправить: перед любым анализом извлекайте только основной текст статьи.

4. Вызывать v2 API Google и удивляться, куда делась salience

Что это: следовать старому руководству с текущим эндпоинтом. Как заметить: в JSON-ответе есть entities и mentions, но нет salience. Как исправить: для salience вызывайте /v1/documents:analyzeEntities и помните, что v1 может измениться.

5. Цепочки местоимений и размытые подлежащие

Что это: абзацы, где «он», «это» и «они» отсылают к существительным за несколько предложений. Как заметить: скрипт spaCy выше считает предложения, начинающиеся с местоимения; больше одного из пяти на ключевой странице это тревожный знак. Как исправить: повторяйте существительное в начале каждого абзаца и после каждого заголовка.

6. Одна страница, несколько интентов

Что это: один URL пытается одновременно дать определение понятию, сравнить инструменты и продать продукт. Как заметить: страница ранжируется по множеству запросов на позициях 15-40 и ни по одному в топ-5. Как исправить: оставьте доминирующий интент, остальные перенесите на отдельные страницы и свяжите их ссылками.

7. Писать под объём или плотность

Что это: раздувать страницу, чтобы достичь целевого числа слов или плотности ключевых слов. Как заметить: повторяющиеся вступления, общие абзацы, которые подошли бы любой странице. Как исправить: удаляйте каждый фрагмент, который не отвечает на вопрос, который задал бы читатель. Наш Keyword Density Calculator полезен наоборот: чтобы найти места, где вы повторяетесь слишком часто.

8. Игнорировать связывание сущностей

Что это: использовать название бренда или продукта, которое машина не может отличить от обычного слова или другой компании. Как заметить: API возвращает ваш бренд как OTHER или CONSUMER_GOOD без метаданных или связывает его не с тем понятием. Как исправить: добавьте категорию рядом с названием, используйте разметку Organization или Product с sameAs на официальные профили и пишите название везде одинаково.

Чек-лист NLP SEO для одной страницы

  • Главная сущность названа в первом предложении и в H1
  • Главная сущность входит в тройку сущностей страницы
  • Каждый H2 или H3 простыми словами анонсирует вопрос или подтему
  • Первое предложение под каждым заголовком-вопросом даёт ответ
  • Менее одного предложения из пяти начинается с размытого местоимения
  • Каждое важное свойство стоит в одном предложении со своей сущностью
  • Одно каноническое название для каждого продукта, функции и понятия
  • Структурированные данные называют главную сущность со ссылками sameAs
  • Внутренние ссылки используют описательные анкоры с названием цели
  • Ни одного термина, вставленного только потому, что его использует инструмент или конкурент

Инструменты NLP SEO: для чего подходит каждый

Большой набор инструментов не нужен. Выбирайте их по вопросу, на который нужен ответ.

ИнструментТипЧто показываетНужные навыкиЛучшее применение
Google Cloud Natural LanguageОблачный API (см. цены Google Cloud)Сущности, salience (v1), категории, тональность, синтаксисСредние: проект в Google Cloud и несколько командПроверить, как модель Google читает ключевые страницы
spaCyБиблиотека Python с открытым кодомСущности, структура предложений, подлежащие, леммыБазовый PythonАудит множества страниц локально и бесплатно
Sentence TransformersБиблиотека Python с открытым кодомСмысловое сходство запросов и фрагментовБазовый PythonПроверка ответов, каннибализация, карта внутренних ссылок
Google Search ConsoleБесплатный инструмент GoogleЗапросы, по которым реально показывается каждый URLНе нужныИзмерить эффект переписывания
Инструменты оптимизации контентаSaaSПробелы в терминах и сущностях относительно топаНе нужныБыстрая проверка подтем перед написанием
SorankСервис SEO и GEO в режиме autopilotПереписывание, тематические кластеры, отслеживание видимости в AIНе нужныПрименить метод ко всему сайту

Сравнение коммерческих решений вы найдёте в нашем обзоре лучших инструментов оптимизации контента. Если нужно исправить десятки старых страниц, функция Sorank Content Optimization проводит аудит и переписывает существующие страницы в режиме autopilot, а Topic Cluster Generator группирует ключевые слова по смыслу до написания текста, со встроенной проверкой на каннибализацию.

Как измерить эффект работы с NLP

Изменения в NLP касаются понимания, поэтому сначала измеряйте понимание, а потом трафик.

Число запросов на URL

В отчёте «Эффективность» Google Search Console отфильтруйте переписанный URL и посчитайте уникальные запросы с показами за 28 дней до и после. Страница, которую понимают лучше, обычно в течение нескольких недель начинает показываться по большему числу низкочастотных вариантов, часто раньше, чем сдвигаются клики.

Позиции по целевым вопросам

Отслеживайте 5-10 вопросов, которые вы использовали в проверке фрагментов. Если показы растут, а позиции нет, страницу понимают, но не предпочитают: работайте над глубиной, примерами и ссылками.

Цитирования в AI-ответах

Задайте одни и те же промпты в ChatGPT, Gemini, Claude и Perplexity до и после и отметьте, цитируется ли ваша страница. Повторяйте ежемесячно: AI-ответы меняются от запуска к запуску, поэтому одна проверка ничего не доказывает. Для структурированной версии этой проверки проведите семантический SEO-аудит всего кластера, а не одной страницы.

Что сделать сегодня

Выберите страницу, которая приносит больше всего бизнеса, и проведите на ней аудит из шести шагов. Исправьте две первые найденные проблемы, обычно это недоминирующая главная сущность и слишком расплывчатый фрагмент-ответ. Затем запишите дату и через четыре недели проверьте запросы страницы в Search Console.

Часто задаваемые вопросы

Что такое NLP в SEO?

NLP в SEO означает делать контент понятным для языковых моделей: какие сущности охватывает страница, на какие вопросы отвечает каждый фрагмент и как страница связана с остальным сайтом. Google использует языковые модели вроде BERT в Поиске с 2019 года, а AI-ассистенты полностью на них построены, поэтому ясный и однозначный текст на практике стал фактором ранжирования и цитирования.

Является ли entity salience фактором ранжирования Google?

Ни одно публичное заявление Google не говорит, что оценка salience из Cloud Natural Language API используется в ранжировании. Эта оценка полезна, чтобы проверить, доминирует ли главная тема на странице, но смотрите на порядок сущностей, а не гонитесь за числом. Учтите, что salience возвращает только версия 1 API.

Какие бесплатные инструменты подходят для NLP SEO?

spaCy и Sentence Transformers это бесплатные библиотеки Python с открытым кодом для извлечения сущностей и сравнения фрагментов. Бесплатный Google Search Console затем показывает, стала ли переписанная страница показываться по большему числу запросов. Google Cloud Natural Language добавляет salience и категории, использование оплачивается по тарифам Google Cloud.

Получите бесплатный контент-план на 30 дней

Мы бесплатно анализируем ваших конкурентов, ваш сайт и вашу видимость в ИИ и составляем персональный контент-план.

Наши бесплатные SEO-инструменты

Все наши бесплатные инструменты

Получите бесплатный контент-план на 30 дней

Мы бесплатно анализируем ваших конкурентов, ваш сайт и вашу видимость в ИИ и составляем персональный контент-план.

Темноволосый мужчина с бородой в светло-коричневой рубашке говорит перед микрофоном в студии подкаста или записи.Портрет мужчины с короткими тёмными волосами в белой рубашке и тёмном пиджаке: он смотрит прямо в камеру с нейтральным выражением лица.Мужчина с короткими тёмными волосами, бородой и прозрачными очками в чёрной футболке с белым круглым логотипом стоит перед каменной стеной.Celio fabianoУлыбающаяся молодая женщина с длинными каштановыми волосами в красной кофте и ожерелье на фоне деревьев на улице.Фото профиля Xavier Breull, клиента Sorank
Google
Сплошная жёлтая пятиконечная звезда на прозрачном фоне.Сплошная жёлтая пятиконечная звезда на прозрачном фоне.Сплошная жёлтая пятиконечная звезда на прозрачном фоне.Сплошная жёлтая пятиконечная звезда на прозрачном фоне.Сплошная жёлтая пятиконечная звезда на прозрачном фоне.
5/5
+5,000
пользователей

Отзывы амбициозных основателей

От 0 до 10000 посетителей за 5 месяцев

Celio Fabianomonrobotlavevitre.frGoogleЭлектронная коммерция

От 0 до 5000 визитов за 8 месяцев

Thibault BMsorank.comGoogleПрограммное обеспечение

от 0 до 1104 кликов за 4 месяца

Dominiqueflight-sensations-idf.comGoogleДосуг и авиация

С 0 до 163 кликов за 6 месяцев

Coworking Pariscoworking-paris.frGoogleOffice broker

x92 клика за 7 месяцев

Guide Zanzibarguidezanzibar.comGoogleПутешествия