Inställningar

Integritet är viktigt för oss, så du kan välja att inaktivera vissa typer av lagring som kanske inte är nödvändig för webbplatsens grundläggande funktioner. Om du blockerar kategorier kan det påverka din upplevelse av webbplatsen. Mer information (Cookiepolicy)

NLP SEO: så läser Google och AI ditt innehåll, och så skriver du för dem

Lär dig hur NLP styr Google och AI-sök: entiteter, salience, embeddings, en sidgranskning i 6 steg med kod, skrivregler och misstagen du ska undvika.

Publicerad
16/11/2026
Uppdaterad
16/11/2026
Lästid
25 min
NLP SEO: så läser Google och AI ditt innehåll, och så skriver du för dem

Verktyg

På den här sidan

Kort sagt

NLP SEO innebär att skriva och strukturera sidor så att de språkmodeller som Google och AI-assistenter använder förstår exakt vad sidan handlar om: vilka entiteter den täcker, vilken fråga varje passage besvarar och hur den hänger ihop med resten av din webbplats. I praktiken kör du din text genom samma typ av verktyg (entitetsextraktion, klassificering, embeddings), rättar det som maskinen läser fel och skriver om meningar så att huvudämnet, dess egenskaper och svaren blir tydliga. Det är inget nytt trick för att ranka: det är ett sätt att ta bort tvetydighet, och det är tvetydighet som kostar dig placeringar och AI-citeringar.

Vill du veta mer? Fråga

Snabbquiz

Är SEO rätt för dig, och hur ska du börja?

Fråga 1 av 425%
Söker folk på Google efter det du säljer?

Vad NLP SEO egentligen betyder (och vad det inte är)

Natural language processing (NLP), språkteknologi på svenska, är den gren av AI som gör om mänsklig text till data som en maskin kan resonera med: ord, meningar, entiteter, relationer och betydelse. Vill du ha den allmänna definitionen först, läs vår ordlista om natural language processing. För SEO är den relevanta definitionen smalare: NLP är hur en sökmotor avgör vad din sida betyder innan den avgör var den ska rankas.

NLP SEO har därför tre lager. Du behöver alla tre för att få resultat.

  1. Förstå hur motorerna läser. Google har använt språkmodeller i rankningen sedan BERT, och AI-assistenter är helt byggda på dem. Deras felkällor (vaga subjekt, kedjor av pronomen, saknade definitioner) är förutsägbara.
  2. Mäta hur din sida läses. Du kan köra din egen text genom offentliga NLP-verktyg och se vilka entiteter som kommer ut, vilken kategori texten hamnar i och vilka passager som matchar en sökfråga.
  3. Skriva och strukturera för tydlighet. Du rättar det verktygen läser fel: du namnger saker, definierar dem, kopplar egenskaper till dem och länkar dem till rätt sidor.

Vad NLP SEO inte är: det handlar inte om att stoppa in en lista med "NLP-sökord" på en sida, och det handlar inte om att jaga ett betyg i ett innehållsverktyg. Google säger det rakt ut i sin guide om att skapa hjälpsamt, pålitligt innehåll för människor: om du skriver mot ett visst antal ord för att du hört att Google föredrar det, är svaret "Nej, det gör vi inte." Samma logik gäller termlistor. Målet är att bli förstådd, inte att se optimerad ut.

Varför språkförståelse förändrade SEO

1 av 10engelskspråkiga sökningar i USA som BERT förstod bättre vid lanseringen (oktober 2019)
1000xkraftfullare än BERT, enligt Google, för modellen MUM (maj 2021)
75språk som MUM tränades på

Källor: Google, Pandu Nayak, "Understanding searches better than ever before" (2019) och "MUM: A new AI milestone for understanding information" (2021)

Från strängar till saker

När Google lanserade BERT förklarade Pandu Nayak (Google Fellow och Vice President, Search) i det officiella tillkännagivandet den 25 oktober 2019 att modellen skulle hjälpa Sök att bättre förstå en av tio engelskspråkiga sökningar i USA. Hans exempel var sökningen "2019 brazil traveler to usa need a visa": före BERT ignorerades ordet "to" i stort sett och Google visade resultat om amerikaner som reser till Brasilien. Efter BERT förstods resans riktning. Den enda prepositionen är NLP SEO i ett nötskal: små ord bär betydelse, och modellerna läser dem nu. Vår ordlistesida om BERT-algoritmen går djupare in i själva modellen.

Två år senare presenterade Google MUM i ett inlägg daterat 18 maj 2021 och beskrev den som 1000 gånger kraftfullare än BERT och tränad på 75 språk. Exemplet var en vandrare som har bestigit Mt. Adams och vill förbereda sig för Mt. Fuji nästa höst: en fråga som kräver att man jämför två entiteter och tolkar vad "förbereda" betyder. I dag fungerar AI Overviews, ChatGPT, Perplexity och Gemini efter samma princip: de läser passager, identifierar entiteter och sätter ihop svar. Din sida är råmaterial för den processen.

Hur sökmotorer och AI läser din sida: NLP-kedjan

Du behöver inte kunna matematiken. Du behöver känna till stegen, eftersom varje steg är ett ställe där din sida kan misstolkas. Här är kedjan i den ordning ett typiskt system kör den.

De 7 stegen en maskin går igenom för att läsa din sida

  1. Extrahera huvudinnehålletNavigering, sidfot, cookiebanners och sidokolumner skiljs från brödtexten. Tunna eller röriga mallar gör det här steget suddigt.
  2. Dela upp i meningar och tokensTexten delas i meningar och sedan i tokens (ord eller orddelar). Mycket långa meningar och saknad interpunktion försämrar steget.
  3. Tagga och analyseraVarje token får en ordklass och en roll i meningen: subjekt, verb, objekt, bestämning.
  4. Känna igen entiteterNamn på produkter, personer, platser, begrepp och tal upptäcks och typas (organisation, plats, pris, datum...).
  5. Länka entiteterVarje entitet matchas mot ett känt begrepp i en kunskapsbas, så att "Jaguar" blir bilmärket eller djuret.
  6. Göra om passager till embeddingsMeningar och passager blir vektorer så att betydelsen kan jämföras med sökfrågan, även utan gemensamma ord.
  7. Klassificera och poängsättaSidan får ämnen, en avsiktsprofil och, i vissa system, sentiment. Passager rankas mot sökfrågor.

Vad varje steg betyder för ditt innehåll

Tabellen nedan kopplar varje NLP-uppgift till den konkreta risken på en sida och den åtgärd du själv styr.

NLP-uppgiftVad maskinen görTypiskt problem på en sidaVad du ändrar
Borttagning av mallinnehållSkiljer huvudinnehåll från mallInledningen ligger begravd efter 600 ord av menyer och widgetarLägg svaret i första stycket av huvudinnehållet, i ren HTML
MeningsuppdelningDelar texten i meningarPunktfragment utan verb, meningar på 60 ordEn idé per mening, hela meningar i listor som bär fakta
DependensanalysHittar subjekt, verb och objektSubjektet är "den" eller "detta", tre meningar bort från sitt substantivUpprepa substantivet, håll subjekt och verb nära varandra
Igenkänning av namngivna entiteterUpptäcker och typar namnDin produkt skrivs på fem olika sättVälj ett kanoniskt namn, använd varianter först när de har introducerats
EntitetslänkningKopplar namn till kända begreppTvetydigt varumärkesnamn utan sammanhangLägg kategorin bredvid namnet ("Sorank, SEO-programmet...") och schema med sameAs
EmbeddingsJämför betydelsen i sökfråga och passagePassagen som borde svara är generisk och kunde stå på vilken sida som helstSkriv passager som återger frågans termer och ger ett specifikt svar
KlassificeringTilldelar ämnen och avsiktEn produktsida full av bloggliknande utvikningarEn dominerande avsikt per URL, övriga avsikter flyttas till andra sidor

Obs

Ingen utanför Google känner till exakt vilka modeller som används i rankningen. Verktygen i den här guiden är ersättare: de läser text på samma sätt som moderna språkmodeller, inte som Googles rankningssystem. Använd dem för att hitta tvetydighet, inte för att förutsäga placeringar.

Illustration av en webbsida vars text förvandlas till ett nätverk av sammankopplade blå noder som representerar entiteter och deras relationer.
NLP gör om orden på din sida till entiteter och relationer: ju tydligare de är, desto bättre förstår Google och AI-assistenter sidan.

NLP-signalerna du kan mäta på din egen sida

Fem signaler går att mäta med gratis eller billiga verktyg. Var och en säger något olika, och ingen av dem är en rankningsfaktor i sig.

Entiteter och salience

En entitet är en namngiven "sak": ett varumärke, en produkt, en person, en plats, ett begrepp som "kannibalisering av sökord". Googles Cloud Natural Language API returnerar för varje entitet en typ, dess omnämnanden och, i version 1 av API:et, ett salience-värde (hur central entiteten är). Referensen för v1 Entity beskriver det som "the salience score associated with the entity in the [0, 1.0] range". Entitetstyperna är UNKNOWN, PERSON, LOCATION, ORGANIZATION, EVENT, WORK_OF_ART, CONSUMER_GOOD, OTHER, PHONE_NUMBER, ADDRESS, DATE, NUMBER och PRICE.

Salience är relativ till dokumentet: värdena för alla entiteter i en text konkurrerar med varandra. Den användbara tolkningen är alltså rangordningen, inte siffran. Om din sida riktar sig mot "NLP SEO" och den översta entiteten är "Google", handlar sidan för en maskin mest om Google. Detaljerna finns i vår ordlista om entity salience.

Varning: v1 jämfört med v2

Entity-objektet i v2 av Natural Language API listar bara name, type, metadata, mentions och sentiment: det finns inget salience-fält. Om en guide visar salience-värden anropar den v1. Bygger du ett skript i dag, anropa v1-endpointen uttryckligen för salience och kontrollera dokumentationen innan du förlitar dig på den.

Produktsidan för Google Cloud Natural Language, det API som används för att extrahera entiteter, kategorier och sentiment ur text.
Google Cloud Natural Language: den offentliga produktsidan för API:et som returnerar entiteter, salience (v1), kategorier och sentiment.

Innehållskategorier

Metoden classifyText returnerar kategorier från en fast taxonomi (till exempel en sökväg som /Internet & Telecom/Web Services). Googles dokumentation om grunderna i Natural Language anger att klassificering kräver en text på minst tjugo tokens. Nyttan för SEO: om en sida tänkt för "SEO-program" klassas under en generisk marknadsföringskategori är dess ordförråd för allmänt.

Sentiment

Sentimentanalys returnerar ett värde från -1,0 (negativt) till 1,0 (positivt) och en magnitud som mäter hur mycket känsla texten bär. På dokumentnivå börjar magnituden på 0,0 och är inte normaliserad, så en lång text med blandade åsikter kan visa ett neutralt värde och en hög magnitud. För SEO spelar sentiment mest roll på recensionssidor, jämförelser och "bästa X"-listor, där en platt text utan åsikter besvarar en fråga som efterfrågar en åsikt.

Syntax

Syntaxanalys returnerar varje tokens ordklass, grundform (lemma) och dependens. Två kontroller är värda att köra: hur ofta din huvudentitet är grammatiskt subjekt i en mening, och hur många meningar som börjar med ett pronomen ("Den", "Detta", "De"). En sida där huvudentiteten är subjekt i många meningar är en sida som talar om den, inte runt den.

Embeddings och passagelikhet

Embeddings gör om en passage till en vektor. Genom att jämföra vektorn för en sökfråga med vektorerna för dina passager (cosinuslikhet) ser du vilken passage ett hämtningssystem skulle välja för den frågan. Det är den närmaste offentliga ersättaren för hur AI-assistenter väljer det utdrag de citerar. Det är också det bästa testet av om sidan faktiskt besvarar frågan eller bara nämner den.

Metoder för NLP SEO jämförda

"NLP SEO" rymmer sex olika metoder. Leverantörer säljer oftast en av dem som om den vore hela området. Här är var och en, med när den passar och var den slutar fungera.

1. Entitetsoptimering

Princip: identifiera de entiteter ett komplett svar måste innehålla (huvudentiteten, dess egenskaper, relaterade entiteter), kontrollera att sidan namnger dem tydligt och att huvudentiteten dominerar. När den passar: på sidor om en produkt, ett varumärke, en person, en plats eller ett väldefinierat begrepp. Styrkor: den speglar hur kunskapsgrafer och AI-svar byggs, och den rättar tvetydighet vid roten. Begränsningar: entitetsextraktion missar branschjargong och nya begrepp; salience saknas i v2 av Googles API. Exempel: en sida om "Shopify SEO" där "WordPress" hamnar bland de översta entiteterna på grund av ett långt jämförande stycke: stycket flyttas till en egen sida och Shopify-sidan får fokus. Vår guide om entitets-SEO täcker den strategiska sidan.

2. Termtäckning (TF-IDF och samförekomst)

Princip: jämför termerna som används av de topprankade sidorna med dina, viktade efter hur specifika de är (TF-IDF), och fyll luckorna. Det är vad de flesta verktyg för innehållspoäng gör. När den passar: för att hitta delämnen du glömt på en informativ sida. Styrkor: snabb och lätt att förklara för en skribent. Begränsningar: den kopierar genomsnittet i sökresultatet, belönar upprepning och säger ingenting om huruvida du besvarar frågan. En termlista är en checklista över delämnen, inte en kvot av ord. Exempel: toppsidorna för "teknisk SEO-granskning" nämner alla "crawlbudget" och "canonical"; din gör det inte: två saknade avsnitt, inte två saknade ord.

3. Embeddinglikhet

Princip: koda sökfrågor och passager som vektorer och mät hur nära de ligger. När den passar: för att kontrollera att varje målfråga har en passage som tydligt besvarar den, för att upptäcka två sidor som konkurrerar om samma betydelse och för att kartlägga interna länkar efter betydelse. Styrkor: fungerar utan gemensamma ord och ligger nära hur hämtning för AI-svar fungerar. Begränsningar: värdena beror på modellen; ett högt värde betyder "på ämnet", inte "korrekt" eller "användbart". Exempel: passagen som svarar på "hur lång tid tar SEO" får lägre värde än ett orelaterat inledningsstycke: svarspassagen är för vag och skrivs om med tidslinjen först.

4. Avsiktsklassificering

Princip: klassificera sökfrågan (informativ, kommersiell, transaktionell, navigerande) och formatet Google belönar (guide, lista, verktyg, produktsida), och matcha sedan. När den passar: innan du skriver, och när en bra sida inte rankar alls. Styrkor: rättar det dyraste misstaget, fel format. Begränsningar: blandade sökresultat finns; avsikten förändras över tid. Se vår ordlista om sökavsikt.

5. Utvinning av frågor och passager

Princip: samla in frågorna folk ställer (Andra frågar också, forum, AI-prompter, dina supportärenden) och ge var och en en självständig passage. När den passar: för synlighet i AI och utvalda utdrag. Styrkor: ger direkt passager som kan citeras. Begränsningar: kan splittra en sida till en FAQ utan djup om du inte grupperar frågorna efter delämne.

6. Ämnesmodellering och klustring

Princip: gruppera sökord och sidor efter betydelse för att avgöra vilken sida som täcker vad, och länka dem sedan. När den passar: på webbplatsnivå, innan du producerar innehåll och när sidor kannibaliserar varandra. Styrkor: bygger ämnesauktoritet och en ren arkitektur. Begränsningar: klustring efter överlapp i sökresultat och klustring efter embeddings ger olika grupper; du behöver en regel för att avgöra. Vår guide om klustring av sökord beskriver båda angreppssätten, och ordlistan om topical map förklarar hur du gör kluster till en plan.

MetodNivåPassar bäst förStörsta riskVerktyg
EntitetsoptimeringSidaProdukt-, varumärkes- och begreppssidorAtt se salience som en rankningsfaktorGoogle Cloud Natural Language (v1), spaCy
Termtäckning (TF-IDF)SidaAtt hitta saknade delämnenAtt skriva sökresultatets genomsnitt, överoptimeringVerktyg för innehållspoäng, Python scikit-learn
EmbeddinglikhetPassage och webbplatsSvarskvalitet, kannibalisering, interna länkarAtt blanda ihop "på ämnet" med "bra"Sentence Transformers, vektordatabaser
AvsiktsklassificeringSökfråga och sidaAtt välja rätt formatAtt ignorera blandade sökresultatManuell genomgång av sökresultat, klassificerare
FrågeutvinningPassageAI-citeringar, utdragGrunda FAQ-sidorAndra frågar också, promptanalys
ÄmnesklustringWebbplatsArkitektur, ämnesauktoritetInkonsekventa klusterreglerKlustringsverktyg, embeddings

Optimering med termlistor jämfört med entiteter och passager

Termlista (TF-IDF-poäng)
  • Snabb luckkontroll mot konkurrenter
  • Belönar upprepade ord
  • Kopierar sökresultatets genomsnitt
  • Säger inget om svarets kvalitet
Entiteter och passager
  • Tar bort tvetydighet kring huvudämnet
  • Ger passager som AI kan citera
  • Fungerar över språk och synonymer
  • Kräver lite mer förberedelse

Steg för steg: gör en NLP-granskning av en sida

Det här är metoden vi rekommenderar för att komma igång: en viktig sida, en eftermiddag. Du behöver sidans text, tre till fem konkurrerande sidor och antingen de gratis onlineverktygen eller några rader Python.

NLP-granskning av en sida i 6 steg

  1. Extrahera ren textKopiera bara huvudinnehållet (ingen meny, ingen sidfot) från din sida och från 3 till 5 topprankade sidor till textfiler.
  2. Lista entiteterKör entitetsextraktion. Notera de 10 översta entiteterna på varje sida och deras ordning.
  3. Kontrollera huvudentitetenDitt målbegrepp ska finnas bland de 3 översta på din egen sida. Om inte, ta reda på vilka entiteter som stjäl fokus.
  4. Kartlägg saknade entiteterEntiteter som finns hos de flesta konkurrenter och saknas hos dig är kandidater till delämnen, inte ord att stoppa in.
  5. Testa passager mot frågorSkriv de 5 till 10 frågor sidan måste besvara och mät vilken passage som matchar varje fråga.
  6. Skriv om och kör igenRätta de svaga passagerna, kör båda kontrollerna igen och följ sedan sökfrågorna för URL:en i Search Console de kommande veckorna.

Steg 1 och 2: extrahera entiteter med spaCy

spaCy är ett gratis Python-bibliotek med öppen källkod. Dess lilla engelska modell körs på en bärbar dator på några sekunder. Skriptet nedan listar de vanligaste entiteterna och de vanligaste grammatiska subjekten på din sida: den andra listan säger ofta mer än den första.

import spacy
from collections import Counter

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

# Vem är subjekt i dina meningar?
subjects = Counter(t.lemma_.lower() for t in doc if t.dep_ in ("nsubj", "nsubjpass"))
print(subjects.most_common(15))

# Hur många meningar börjar med ett vagt pronomen?
vague = [s.text for s in doc.sents if s[0].lower_ in ("it", "this", "that", "they")]
print(len(vague), "meningar börjar med ett pronomen")

Läs subjektslistan noga. På en sida om en mjukvaruprodukt, om "du" och "den" dominerar och produktnamnet aldrig dyker upp som subjekt, beskriver sidan handlingar utan att säga vem som utför dem. Det går att rätta på en timme.

spaCys dokumentationssida om lingvistiska funktioner som igenkänning av namngivna entiteter och dependensanalys.
spaCys dokumentation om lingvistiska funktioner: entitetsigenkänning, ordklasstaggning och dependensanalys, gratis och med öppen källkod.

Steg 3: hämta salience från Googles API (v1)

spaCys allmänna modeller beräknar inte salience. För det anropar du endpointen analyzeEntities i v1 av Google Cloud Natural Language. Skapa ett projekt, aktivera API:et, autentisera dig med kommandoraden gcloud och skicka sedan din text. Spara den här förfrågan som request.json:

{
  "document": {
    "type": "PLAIN_TEXT",
    "language": "en",
    "content": "Klistra in sidans rena huvudtext här."
  },
  "encodingType": "UTF8"
}

Anropa sedan endpointen:

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json; charset=utf-8" \
  -d @request.json \
  "https://language.googleapis.com/v1/documents:analyzeEntities"

Svaret listar entiteter med deras type, salience, mentions och, när entiteten är länkad, ett metadata-objekt som kan innehålla en wikipedia_url och ett mid (en identifierare i Knowledge Graph). En entitet med en Wikipedia-URL i metadata har kopplats till ett känt begrepp; en viktig entitet utan någon kan vara tvetydig eller för ny. Byt analyzeEntities mot classifyText för att få innehållskategorierna. Kontrollera aktuella priser och kvoter i Google Cloud innan du kör det på hundratals sidor.

Steg 5: testa passager mot frågor med embeddings

Biblioteket Sentence Transformers jämför betydelsen i en fråga med varje passage på din sida. Modellen all-MiniLM-L6-v2 är liten och räcker för den här kontrollen.

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

Två utfall kräver åtgärd. Om den bästa passagen för en fråga inte är den du skrev för att besvara den, är din svarspassage för generisk. Om det bästa värdet för en fråga ligger långt under de andra, besvarar sidan den inte på riktigt. Jämför värden mellan frågor på samma sida, inte mot en absolut tröskel: värdena beror på modellen.

Startsidan för dokumentationen till Sentence Transformers, biblioteket som används för att jämföra betydelsen i sökfrågor och passager.
Sentence Transformers: biblioteket med öppen källkod som används för att mäta hur nära en passage ligger en fråga.

Tips

Ingen Python? Vår gratis LLM Readability Checker poängsätter en sida för AI-extraktion, och Heading Structure Analyzer visar om dina H2 och H3 aviserar de frågor dina passager besvarar.

Skriva för NLP: regler på meningsnivå som fungerar

De flesta NLP-problem löses i skrivandet, inte i ett verktyg. Reglerna kommer direkt från kedjan ovan: var och en tar bort ett steg där en maskin kan göra fel.

Namnge subjektet, och behåll det

Använd huvudentitetens fullständiga namn som subjekt i första meningen i varje avsnitt. Undvik att inleda ett stycke med "Den" eller "Detta". Pronomen går bra inne i ett stycke, när substantivet står nära.

Definiera med en mening av typen "X är ett Y som Z"

En definition som anger kategorin (Y) och det särskiljande draget (Z) är den struktur som är lättast för en modell att extrahera och för en AI-assistent att citera. "Entity salience är ett värde mellan 0 och 1 som mäter hur central en entitet är i en text" slår tre meningar av bakgrund.

Koppla egenskaper till entiteten, i samma mening

Priser, datum, storlekar, kompatibilitet och begränsningar ska stå bredvid den entitet de beskriver. "Sorank följer synligheten i ChatGPT, Gemini, Claude och Perplexity" är ett faktum som går att extrahera. Samma information uppdelad på en rubrik, en punkt och en fotnot blir tre fragment.

Ett kanoniskt namn per sak

Välj ett namn för varje produkt, funktion och begrepp. Introducera en synonym en gång ("query fan-out, sättet AI-assistenter delar upp en fråga i flera sökningar") och håll dig sedan till en form.

Svara först, förklara sedan

Under en rubrik som ställer en fråga ger första meningen svaret. Resten av passagen ger villkoren, exemplet och undantagen. Det är det som gör en passage självständig.

Ett stycke, före och efter en NLP-omskrivning

Före
  • "Den hjälper dig att synas mer. Detta görs automatiskt varje vecka."
  • Oklart subjekt: "den" och "detta"
  • Ingen entitet, ingen egenskap, ingen siffra
  • Kunde klistras in på vilken SaaS-sida som helst
Efter
  • "Positionsbevakaren kontrollerar dina 200 målsökord i Google varje måndag och mejlar dig de sidor som har tappat."
  • Namngivet subjekt: "positionsbevakaren"
  • Kopplade egenskaper: sökord, sökmotor, frekvens, resultat
  • Specifik nog att citeras som ett faktum

Meningen under "efter" illustrerar strukturen, den beskriver ingen verklig produkt: anpassa egenskaperna till det din sida faktiskt erbjuder.

Python NLP för semantisk SEO: gruppera sökord och hitta sidor som konkurrerar

Python NLP för semantisk SEO innebär att köra samma slags inbäddningsmodell som i passagetestet ovan, fast över hela listor: dina sökord och sidorna på din webbplats. Två korta skript besvarar frågor som en kontroll av en enskild sida inte kan besvara. Vilka sökord hör hemma på samma sida? Vilka av dina sidor konkurrerar om samma betydelse? Båda körs på din egen dator utan kostnad, och båda ger kandidater som du granskar, inte domslut.

Sätt upp miljön

Installera biblioteken i en virtuell miljö, så att de inte krockar med andra Python-projekt:

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

Första körningen laddar ner modellen all-MiniLM-L6-v2 en gång. Därefter körs båda skripten offline.

Gruppera sökord efter betydelse

Klustring gör en platt sökordslista till grupper som en och samma sida kan besvara. Varje sökord blir en vektor, och sökord vars vektorer ligger nära varandra i cosinusavstånd hamnar i samma grupp. Spara dina sökord i en textfil, ett per rad, och kör det här skriptet:

from sentence_transformers import SentenceTransformer
from sklearn.cluster import AgglomerativeClustering
from collections import defaultdict

keywords = [line.strip() for line in open("keywords.txt", encoding="utf-8") if line.strip()]

model = SentenceTransformer("all-MiniLM-L6-v2")
vectors = model.encode(keywords, normalize_embeddings=True)

labels = AgglomerativeClustering(
    n_clusters=None,
    distance_threshold=0.35,  # cosinusavstånd: lägre värden ger strängare grupper
    metric="cosine",
    linkage="average",
).fit_predict(vectors)

groups = defaultdict(list)
for label, keyword in zip(labels, keywords):
    groups[label].append(keyword)

for label, members in sorted(groups.items(), key=lambda g: -len(g[1])):
    print(f"Group {label} ({len(members)} keywords)")
    for keyword in members:
        print("   ", keyword)

Tröskelvärdet är inställningen som spelar roll. Börja på 0.35 och läs resultatet. Om orelaterade sökord hamnar i samma grupp, sänk det. Om ämnet för en sida är uppdelat i flera grupper, höj det. Average linkage minskar kedjeeffekten, alltså när en rad löst relaterade sökord binder ihop två orelaterade grupper.

Hitta sidor som konkurrerar om samma betydelse

Det andra skriptet jämför dina sidor med varandra. Lägg en rad per sida i en tabbseparerad fil med en rubrikrad, med kolumnerna url och title. Titlar är en grov fullmakt, så för ett skarpare test klistrar du in första stycket från varje sida i kolumnen title.

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:  # utgångspunkt: justera efter att du läst resultaten
            print(f"{score:.2f}  {rows[i][0]}  vs  {rows[j][0]}")

Varje utskrivet par är en kandidat, inte ett domslut. Öppna båda webbadresserna och fråga dig om en läsare skulle vänta sig att någon av sidorna besvarar den andras fråga. Om svaret är ja slår du ihop de två sidorna, eller behåller en som huvudsida och smalnar av fokus på den andra. Posten om kannibalisering av sökord förklarar hur du väljer.

SkriptIndataResultatVad du beslutar
SökordsgrupperEtt sökord per radGrupper av sökord som delar betydelseOm varje grupp behöver en sida eller flera
Konkurrerande sidorURL och titel, eller första stycket, per sidaPar av sidor över ditt tröskelvärdeOm du ska slå ihop, omfokusera eller behålla båda sidorna

Tre begränsningar spelar roll:

  • Poängen beror på modellen. Jämför par och grupper från samma körning, och kopiera aldrig ett tröskelvärde från en handledning.
  • Inbäddningar fångar betydelse, inte avsikt. ”Bästa CRM-programvara” och ”hur man sätter upp ett CRM” delar ämne men behöver olika sidor, så kontrollera avsikten innan du slår ihop något.
  • Varumärkesnamn, produktnamn och mycket nya termer kan kodas dåligt. Kontrollera de grupperna för hand.

Skripten är sidnivåns motsvarighet till passagetestet ovan: ett visar vad som hör ihop, det andra visar var dina sidor överlappar. Om du hellre slipper underhålla skripten sköter Topic Cluster Generator grupperingssteget, med en kontroll mot kannibalisering inbyggd.

NLP bortom texten: strukturerad data, rubriker och interna länkar

Språkmodeller läser mer än dina stycken. Tre element runt texten bär starka signaler.

Strukturerad data som namnger dina entiteter

Schema.org-märkning får inte en sida att ranka av sig själv, men den anger i maskinformat vad sidan handlar om och vilka kända begrepp den syftar på. Egenskaperna about och mentions, med sameAs-länkar till referenssidor, tar bort tvetydighet vid entitetslänkning.

<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>

Skapa och testa din egen med vår gratis Schema Markup Generator och Structured Data Validator.

Rubriker som innehållsförteckning för maskiner

Rubriker är det första en modell använder för att dela upp din sida i passager. En rubrik som namnger entiteten och frågan ("Hur entity salience beräknas") ger ett renare utdrag än en kvick rubrik ("Under huven"). Håll hierarkin H2 och H3 strikt: ingen H3 utan överordnad H2, inga överhoppade nivåer.

Interna länkar som en karta över betydelse

Ankartext är en av de äldsta NLP-signalerna i sök: den berättar för motorn, utifrån, vad målsidan handlar om. Använd beskrivande ankartexter som namnger målentiteten, länka sidor som ligger nära varandra i betydelse och undvik att skicka samma ankartext till två olika sidor. En semantisk kokong är det mest strukturerade sättet att organisera detta, och vår guide om automatiserad internlänkning förklarar hur du skalar upp den utan att skapa brus.

NLP SEO för AI-sök: bli citerad av ChatGPT, Gemini och Perplexity

AI-assistenter driver NLP-logiken till sin spets. De rankar inte hela sidor: de hämtar passager, jämför dem efter betydelse med delfrågor och sätter ihop ett svar som ibland citerar källan. Tre konsekvenser följer.

  1. Varje passage måste kunna stå på egen hand. Det som hämtas är ett utdrag av din sida, inte sidan. Om det beror på en definition som gavs tre avsnitt tidigare förlorar det.
  2. En fråga blir flera sökningar. Assistenter delar upp en prompt i delfrågor (query fan-out). En sida som besvarar huvudfrågan men inte dess naturliga följdfrågor (pris, alternativ, begränsningar, hur man börjar) täcker bara en del av det som söks. Soranks Query Fan-Out Tracker visar vilka sökningar AI faktiskt gör bakom en prompt.
  3. Samstämmighet kring entiteter spelar roll. En assistent är säkrare på ett faktum som den hittar formulerat på samma sätt i flera källor. Konsekventa namn och egenskaper på din webbplats, dina profiler och i omnämnanden hos tredje part hjälper. Vår ordlista om entity consensus täcker det lagret.

För hela metoden tillämpad på AI-svar, se vår guide om innehållsoptimering för LLM.

Vanliga misstag inom NLP SEO (och hur du rättar dem)

Det här är de fel vi oftast ser på granskade webbplatser. Vart och ett har ett symptom du kan upptäcka och en åtgärd du kan genomföra i dag.

1. Att behandla salience eller ett innehållsbetyg som en rankningsfaktor

Vad det är: att skriva om tills API:et ger ditt sökord hög salience, eller tills ett verktyg visar grönt betyg. Hur du upptäcker det: sidan läses sämre efter optimeringen; samma fras dyker upp i varje stycke. Hur du rättar det: använd salience bara för att kontrollera entiteternas ordning och bedöm sedan sidan utifrån svaren och data i Search Console. Google har aldrig sagt att värdena från det här API:et används i rankningen.

2. Att lägga in konkurrenters termer som ord, inte som innehåll

Vad det är: att lägga till "crawlbudget" i en mening för att fem konkurrenter nämner det. Hur du upptäcker det: termerna förekommer en gång, utan sammanhang och utan förklaring. Hur du rättar det: varje saknad entitet blir en fråga: behöver min läsare detta? Om ja, skriv en passage; om nej, strunta i det.

3. Att analysera hela HTML-koden i stället för huvudinnehållet

Vad det är: att klistra in hela sidan, inklusive meny och sidfot, i ett NLP-verktyg. Hur du upptäcker det: dina översta entiteter är ditt varumärke, "cookies", "kontakt" eller kategorier från sidfoten. Hur du rättar det: extrahera bara artikelns brödtext innan du kör någon analys.

4. Att anropa v2 av Googles API och undra var salience tog vägen

Vad det är: att följa en gammal guide med den nuvarande endpointen. Hur du upptäcker det: JSON-svaret har entities och mentions men ingen salience. Hur du rättar det: anropa /v1/documents:analyzeEntities för salience, och ha i åtanke att v1 kan ändras.

5. Pronomenkedjor och vaga subjekt

Vad det är: stycken där "den", "detta" och "de" syftar på substantiv flera meningar bakåt. Hur du upptäcker det: spaCy-skriptet ovan räknar meningar som börjar med ett pronomen; mer än en av fem på en nyckelsida är en varningssignal. Hur du rättar det: upprepa substantivet i början av varje stycke och efter varje rubrik.

6. En sida, flera avsikter

Vad det är: en enda URL som försöker definiera ett begrepp, jämföra verktyg och sälja en produkt. Hur du upptäcker det: sidan rankar på många sökfrågor på positionerna 15 till 40 och på ingen i topp 5. Hur du rättar det: behåll den dominerande avsikten, flytta de andra till egna sidor och länka dem.

7. Att skriva mot en längd eller en densitet

Vad det är: att fylla ut en sida för att nå ett visst antal ord eller en viss sökordsdensitet. Hur du upptäcker det: upprepade inledningar, generiska stycken som kunde stå på vilken sida som helst. Hur du rättar det: stryk varje passage som inte besvarar en fråga en läsare skulle ställa. Vår Keyword Density Calculator är användbar åt andra hållet: för att hitta var du upprepar dig för mycket.

8. Att ignorera entitetslänkning

Vad det är: att använda ett varumärkes- eller produktnamn som en maskin inte kan skilja från ett vanligt ord eller ett annat företag. Hur du upptäcker det: API:et returnerar ditt varumärke som OTHER eller CONSUMER_GOOD utan metadata, eller kopplar det till fel begrepp. Hur du rättar det: lägg kategorin bredvid namnet, använd schema av typen Organization eller Product med sameAs till dina officiella profiler och håll namnet identiskt överallt.

Checklista för NLP SEO på en sida

  • Huvudentiteten namnges i första meningen och i H1
  • Huvudentiteten finns bland sidans 3 översta entiteter
  • Varje H2 eller H3 aviserar en fråga eller ett delämne med enkla ord
  • Första meningen under varje frågerubrik ger svaret
  • Färre än en mening av fem börjar med ett vagt pronomen
  • Varje viktig egenskap står i samma mening som sin entitet
  • Ett kanoniskt namn per produkt, funktion och begrepp
  • Strukturerad data namnger huvudentiteten med sameAs-länkar
  • Interna länkar använder beskrivande ankartexter som namnger målet
  • Ingen term inlagd bara för att ett verktyg eller en konkurrent använder den

Verktyg för NLP SEO: vad vart och ett är bra för

Du behöver ingen stor verktygslåda. Välj verktyg efter den fråga du behöver svar på.

VerktygTypVad det berättarKunskap som krävsBästa användning
Google Cloud Natural LanguageMoln-API (se Google Clouds priser)Entiteter, salience (v1), kategorier, sentiment, syntaxMedel: ett Google Cloud-projekt och några kommandonKontrollera hur en Google-modell läser dina viktigaste sidor
spaCyPython-bibliotek med öppen källkodEntiteter, meningsstruktur, subjekt, grundformerGrundläggande PythonGranska många sidor lokalt, utan kostnad
Sentence TransformersPython-bibliotek med öppen källkodBetydelselikhet mellan sökfrågor och passagerGrundläggande PythonSvarskontroller, kannibalisering, kartläggning av interna länkar
Google Search ConsoleGratis verktyg från GoogleDe sökfrågor varje URL faktiskt visas förIngenMäta effekten av en omskrivning
Verktyg för innehållsoptimeringSaaSLuckor i termer och entiteter mot toppsidornaIngenSnabb kontroll av delämnen innan du skriver
SorankSEO- och GEO-program på autopilotOmskrivningar, ämneskluster, bevakning av AI-synlighetIngenTillämpa metoden på en hel webbplats

För en jämförelse av de kommersiella alternativen, läs vår genomgång av de bästa verktygen för innehållsoptimering. Har du dussintals äldre sidor att rätta granskar och skriver Soranks funktion Content Optimization om befintliga sidor på autopilot, och Topic Cluster Generator grupperar dina sökord efter betydelse innan du skriver, med en inbyggd kontroll mot kannibalisering.

Hur du mäter effekten av NLP-arbetet

NLP-ändringar handlar om förståelse, så mät förståelsen först och trafiken sedan.

Antalet sökfrågor per URL

Filtrera resultatrapporten i Google Search Console på den omskrivna URL:en och räkna de olika sökfrågorna med visningar under 28 dagar, före och efter. En sida som förstås bättre visas oftast för fler long tail-varianter inom några veckor, ofta innan klicken rör sig.

Position på frågorna du riktade in dig på

Följ de 5 till 10 frågor du använde i passagetestet. Om visningarna ökar men inte positionen, förstås sidan men föredras inte: arbeta med djup, exempel och länkar.

Citeringar i AI-svar

Ställ samma prompter i ChatGPT, Gemini, Claude och Perplexity före och efter, och notera om din sida citeras. Upprepa varje månad: AI-svar varierar från en körning till nästa, så ett enda test bevisar ingenting. För en strukturerad version av den kontrollen, gör en semantisk SEO-granskning av hela klustret i stället för av en enskild sida.

Vad du gör i dag

Välj den sida som ger dig mest affärer och kör granskningen i sex steg på den. Rätta de två första problemen du hittar, oftast en huvudentitet som inte dominerar och en svarspassage som är för vag. Notera sedan datumet och kontrollera sidans sökfrågor i Search Console om fyra veckor.

Vanliga frågor

Vad är NLP inom SEO?

NLP inom SEO innebär att göra ditt innehåll lätt för språkmodeller att förstå: vilka entiteter en sida täcker, vilka frågor varje passage besvarar och hur sidan hänger ihop med resten av webbplatsen. Google har använt språkmodeller som BERT i Sök sedan 2019, och AI-assistenter bygger helt på dem, så tydligt och entydigt skrivande har i praktiken blivit en faktor för både rankning och citeringar.

Är entity salience en rankningsfaktor hos Google?

Inget offentligt uttalande från Google säger att salience-värdet från Cloud Natural Language API används i rankningen. Värdet är ett användbart sätt att kontrollera om ditt huvudämne dominerar sidan, men läs entiteternas ordning snarare än att jaga en siffra. Observera att salience bara returneras av version 1 av API:et.

Vilka gratisverktyg kan jag använda för NLP SEO?

spaCy och Sentence Transformers är gratis Python-bibliotek med öppen källkod för entitetsextraktion och passagelikhet. Google Search Console, också gratis, visar sedan om en omskriven sida visas för fler sökfrågor. Google Cloud Natural Language lägger till salience och kategorier, med användning som debiteras enligt Google Clouds priser.

Få din innehållsplan för 30 dagar gratis

Vi analyserar dina konkurrenter, din webbplats och din synlighet i AI för att skapa en skräddarsydd innehållsplan, gratis.

Våra kostnadsfria SEO-verktyg

Se alla våra kostnadsfria verktyg

Få din innehållsplan för 30 dagar gratis

Vi analyserar dina konkurrenter, din webbplats och din synlighet i AI för att skapa en skräddarsydd innehållsplan, gratis.

Man med mörkt hår och skägg, i ljusbrun skjorta, talar framför en mikrofon i en podd- eller inspelningsmiljö.Porträtt av en man med kort mörkt hår, vit skjorta och mörk jacka, som tittar rakt in i kameran med ett neutralt uttryck.Man med kort mörkt hår, skägg och klara glasögon, i svart t-shirt med en vit cirkulär logotyp, står framför en stenmur.Celio FabianoLeende ung kvinna med långt brunt hår, röd topp och halsband, utomhus med träd i bakgrunden.Profilbild på Xavier Breull, kund hos Sorank
Google
Solid gul femuddig stjärnikon på transparent bakgrund.Solid gul femuddig stjärnikon på transparent bakgrund.Solid gul femuddig stjärnikon på transparent bakgrund.Solid gul femuddig stjärnikon på transparent bakgrund.Solid gul femuddig stjärnikon på transparent bakgrund.
5/5
+5000
användare

Omdömen från ambitiösa grundare

0 till 10 000 besökare på 5 månader

Celio Fabianomonrobotlavevitre.frGoogleE-commerce

0 till 5 000 besök på 8 månader

Thibault BMsorank.comGoogleProgramvara

0 till 1104 klick på 4 månader

Dominiqueflight-sensations-idf.comGoogleFritid och flyg

0 till 163 klick på 6 månader

Coworking Pariscoworking-paris.frGoogleOffice broker

x92 klick på 7 månader

Guide Zanzibarguidezanzibar.comGoogleResor