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.

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?
Sorank matchar dina svar
Testa det i 3 dagar på din egen webbplats och se var du står på Google, ChatGPT och de andra AI-tjänsterna.
Starta 3 dagars gratis provperiod3 dagar gratis, sedan kan du avsluta när du vill. 90 dagars resultatgaranti, villkor gäller.
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.
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
Källor: Google, Pandu Nayak, "Understanding searches better than ever before" (2019) och "MUM: A new AI milestone for understanding information" (2021)
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.
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
Tabellen nedan kopplar varje NLP-uppgift till den konkreta risken på en sida och den åtgärd du själv styr.
| NLP-uppgift | Vad maskinen gör | Typiskt problem på en sida | Vad du ändrar |
|---|---|---|---|
| Borttagning av mallinnehåll | Skiljer huvudinnehåll från mall | Inledningen ligger begravd efter 600 ord av menyer och widgetar | Lägg svaret i första stycket av huvudinnehållet, i ren HTML |
| Meningsuppdelning | Delar texten i meningar | Punktfragment utan verb, meningar på 60 ord | En idé per mening, hela meningar i listor som bär fakta |
| Dependensanalys | Hittar subjekt, verb och objekt | Subjektet är "den" eller "detta", tre meningar bort från sitt substantiv | Upprepa substantivet, håll subjekt och verb nära varandra |
| Igenkänning av namngivna entiteter | Upptäcker och typar namn | Din produkt skrivs på fem olika sätt | Välj ett kanoniskt namn, använd varianter först när de har introducerats |
| Entitetslänkning | Kopplar namn till kända begrepp | Tvetydigt varumärkesnamn utan sammanhang | Lägg kategorin bredvid namnet ("Sorank, SEO-programmet...") och schema med sameAs |
| Embeddings | Jämför betydelsen i sökfråga och passage | Passagen som borde svara är generisk och kunde stå på vilken sida som helst | Skriv passager som återger frågans termer och ger ett specifikt svar |
| Klassificering | Tilldelar ämnen och avsikt | En produktsida full av bloggliknande utvikningar | En 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.

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.
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.

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.
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.
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 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.
"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.
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.
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.
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.
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.
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.
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.
| Metod | Nivå | Passar bäst för | Största risk | Verktyg |
|---|---|---|---|---|
| Entitetsoptimering | Sida | Produkt-, varumärkes- och begreppssidor | Att se salience som en rankningsfaktor | Google Cloud Natural Language (v1), spaCy |
| Termtäckning (TF-IDF) | Sida | Att hitta saknade delämnen | Att skriva sökresultatets genomsnitt, överoptimering | Verktyg för innehållspoäng, Python scikit-learn |
| Embeddinglikhet | Passage och webbplats | Svarskvalitet, kannibalisering, interna länkar | Att blanda ihop "på ämnet" med "bra" | Sentence Transformers, vektordatabaser |
| Avsiktsklassificering | Sökfråga och sida | Att välja rätt format | Att ignorera blandade sökresultat | Manuell genomgång av sökresultat, klassificerare |
| Frågeutvinning | Passage | AI-citeringar, utdrag | Grunda FAQ-sidor | Andra frågar också, promptanalys |
| Ämnesklustring | Webbplats | Arkitektur, ämnesauktoritet | Inkonsekventa klusterregler | Klustringsverktyg, embeddings |
Optimering med termlistor jämfört med entiteter och passager
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
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 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.
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.

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.
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.
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.
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.
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.
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.
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
Meningen under "efter" illustrerar strukturen, den beskriver ingen verklig produkt: anpassa egenskaperna till det din sida faktiskt erbjuder.
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.
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.
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.
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.
| Skript | Indata | Resultat | Vad du beslutar |
|---|---|---|---|
| Sökordsgrupper | Ett sökord per rad | Grupper av sökord som delar betydelse | Om varje grupp behöver en sida eller flera |
| Konkurrerande sidor | URL och titel, eller första stycket, per sida | Par av sidor över ditt tröskelvärde | Om du ska slå ihop, omfokusera eller behålla båda sidorna |
Tre begränsningar spelar roll:
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.
Språkmodeller läser mer än dina stycken. Tre element runt texten bär starka signaler.
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 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.
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.
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.
För hela metoden tillämpad på AI-svar, se vår guide om innehållsoptimering för LLM.
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.
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.
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.
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.
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.
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.
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.
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.
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
Du behöver ingen stor verktygslåda. Välj verktyg efter den fråga du behöver svar på.
| Verktyg | Typ | Vad det berättar | Kunskap som krävs | Bästa användning |
|---|---|---|---|---|
| Google Cloud Natural Language | Moln-API (se Google Clouds priser) | Entiteter, salience (v1), kategorier, sentiment, syntax | Medel: ett Google Cloud-projekt och några kommandon | Kontrollera hur en Google-modell läser dina viktigaste sidor |
| spaCy | Python-bibliotek med öppen källkod | Entiteter, meningsstruktur, subjekt, grundformer | Grundläggande Python | Granska många sidor lokalt, utan kostnad |
| Sentence Transformers | Python-bibliotek med öppen källkod | Betydelselikhet mellan sökfrågor och passager | Grundläggande Python | Svarskontroller, kannibalisering, kartläggning av interna länkar |
| Google Search Console | Gratis verktyg från Google | De sökfrågor varje URL faktiskt visas för | Ingen | Mäta effekten av en omskrivning |
| Verktyg för innehållsoptimering | SaaS | Luckor i termer och entiteter mot toppsidorna | Ingen | Snabb kontroll av delämnen innan du skriver |
| Sorank | SEO- och GEO-program på autopilot | Omskrivningar, ämneskluster, bevakning av AI-synlighet | Ingen | Tillämpa 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.
NLP-ändringar handlar om förståelse, så mät förståelsen först och trafiken sedan.
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.
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.
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.
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.
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.
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.
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.
