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.

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?
Sorank подходит под ваши ответы
Попробуйте его 3 дня на своём сайте и узнайте, где вы находитесь в Google, ChatGPT и других ИИ.
Попробовать 3 дня бесплатно3 дня бесплатно, потом вы можете остановиться в любой момент. Гарантия возврата денег 90 дней, на определённых условиях.
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.
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
Источники: Google, Pandu Nayak, «Understanding searches better than ever before» (2019) и «MUM: A new AI milestone for understanding information» (2021)
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.
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
Таблица ниже связывает каждую NLP-задачу с конкретным риском на странице и исправлением, которое зависит от вас.
| NLP-задача | Что делает машина | Типичная проблема на странице | Что вы меняете |
|---|---|---|---|
| Удаление шаблонного контента | Отделяет основной контент от шаблона | Вступление спрятано за 600 словами меню и виджетов | Поставьте ответ в первый абзац основного контента, в простом HTML |
| Разбиение на предложения | Делит текст на предложения | Пункты списка без глагола, предложения по 60 слов | Одна мысль на предложение, полные предложения в списках с фактами |
| Синтаксический разбор зависимостей | Находит подлежащее, сказуемое и дополнение | Подлежащее «он» или «это» стоит в трёх предложениях от своего существительного | Повторите существительное, держите подлежащее и сказуемое рядом |
| Распознавание именованных сущностей | Находит и типизирует названия | Ваш продукт написан пятью разными способами | Выберите одно каноническое название, варианты используйте только после их введения |
| Связывание сущностей | Сопоставляет названия с известными понятиями | Неоднозначное название бренда без контекста | Добавьте категорию рядом с названием («Sorank, SEO-сервис...») и разметку с sameAs |
| Эмбеддинги | Сравнивает смысл запроса и фрагмента | Фрагмент, который должен отвечать, общий и подошёл бы любой странице | Пишите фрагменты, которые повторяют термины вопроса и дают конкретный ответ |
| Классификация | Присваивает темы и интент | Страница продукта, полная отступлений в стиле блога | Один 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.

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

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.
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.
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 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.
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.
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.
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.
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.
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.
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.
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.
| Метод | Уровень | Лучше всего для | Главный риск | Инструменты |
|---|---|---|---|---|
| Оптимизация сущностей | Страница | Страницы продуктов, брендов и понятий | Считать salience фактором ранжирования | Google Cloud Natural Language (v1), spaCy |
| Покрытие терминов (TF-IDF) | Страница | Поиск недостающих подтем | Писать «среднее по выдаче», переспам | Инструменты оценки контента, Python scikit-learn |
| Сходство эмбеддингов | Фрагмент и сайт | Качество ответа, каннибализация, внутренние ссылки | Путать «по теме» с «хорошо» | Sentence Transformers, векторные базы данных |
| Классификация интента | Запрос и страница | Выбор правильного формата | Игнорировать смешанную выдачу | Ручной разбор выдачи, классификаторы |
| Сбор вопросов | Фрагмент | Цитирования в AI, сниппеты | Поверхностные страницы FAQ | «Похожие вопросы», анализ промптов |
| Тематическая кластеризация | Сайт | Архитектура, тематический авторитет | Непоследовательные правила кластеров | Инструменты кластеризации, эмбеддинги |
Оптимизация по списку терминов против сущностей и фрагментов
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
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.

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.
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.

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.
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.
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.
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.
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.
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.
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
Предложение «после» иллюстрирует структуру и не описывает реальный продукт: подставьте свойства того, что ваша страница действительно предлагает.
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.
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.
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.
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.
| Скрипт | Вход | Результат | Что вы решаете |
|---|---|---|---|
| Группы ключевых слов | Одно ключевое слово в строке | Группы слов с общим смыслом | Нужна ли каждой группе одна страница или несколько |
| Конкурирующие страницы | URL и заголовок или первый абзац для каждой страницы | Пары страниц выше вашего порога | Объединить, перефокусировать или оставить обе страницы |
Три ограничения важны:
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.
Языковые модели читают не только абзацы. Три элемента вокруг текста несут сильные сигналы.
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 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.
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.
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.
Полный метод в применении к AI-ответам описан в нашем руководстве по оптимизации контента для LLM.
Эти ошибки мы чаще всего видим на сайтах при аудите. У каждой есть заметный симптом и исправление, которое можно сделать сегодня.
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.
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.
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.
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.
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.
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.
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.
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
Большой набор инструментов не нужен. Выбирайте их по вопросу, на который нужен ответ.
| Инструмент | Тип | Что показывает | Нужные навыки | Лучшее применение |
|---|---|---|---|---|
| Google Cloud Natural Language | Облачный API (см. цены Google Cloud) | Сущности, salience (v1), категории, тональность, синтаксис | Средние: проект в Google Cloud и несколько команд | Проверить, как модель Google читает ключевые страницы |
| spaCy | Библиотека Python с открытым кодом | Сущности, структура предложений, подлежащие, леммы | Базовый Python | Аудит множества страниц локально и бесплатно |
| Sentence Transformers | Библиотека Python с открытым кодом | Смысловое сходство запросов и фрагментов | Базовый Python | Проверка ответов, каннибализация, карта внутренних ссылок |
| Google Search Console | Бесплатный инструмент Google | Запросы, по которым реально показывается каждый URL | Не нужны | Измерить эффект переписывания |
| Инструменты оптимизации контента | SaaS | Пробелы в терминах и сущностях относительно топа | Не нужны | Быстрая проверка подтем перед написанием |
| Sorank | Сервис SEO и GEO в режиме autopilot | Переписывание, тематические кластеры, отслеживание видимости в AI | Не нужны | Применить 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.
Изменения в NLP касаются понимания, поэтому сначала измеряйте понимание, а потом трафик.
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.
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.
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.
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.
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.
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.
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.
