NLP, Google ve yapay zeka aramasını nasıl şekillendiriyor: varlıklar, salience, embedding, kodlu 6 adımlı sayfa denetimi, yazım kuralları ve kaçınılacak hatalar.

Bu sayfada
Kısaca
NLP SEO, sayfalarınızı Google ve yapay zeka asistanlarının kullandığı dil modellerinin sayfanın tam olarak ne hakkında olduğunu anlayacağı şekilde yazmak ve yapılandırmak demektir: hangi varlıkları kapsadığı, her pasajın hangi soruyu yanıtladığı ve sitenizin geri kalanıyla nasıl ilişkili olduğu. Pratikte metninizi aynı türden araçlardan (varlık çıkarımı, sınıflandırma, embedding) geçirir, makinenin yanlış okuduğu yerleri düzeltir ve cümleleri ana konu, nitelikleri ve yanıtları açıkça ifade edilecek şekilde yeniden yazarsınız. Bu, sıralama almak için yeni bir hile değildir: belirsizliği ortadan kaldırmanın bir yoludur ve size sıralama ile yapay zeka alıntılarını kaybettiren de tam olarak belirsizliktir.
Daha fazlasını mı istiyorsunuz? Sorun:
Kısa test
SEO size uygun mu ve nasıl başlamalısınız?
Sorank yanıtlarınıza uyuyor
Kendi sitenizde 3 gün deneyin ve Google, ChatGPT ve diğer yapay zekâlarda nerede olduğunuzu görün.
3 gün ücretsiz deneyin3 gün ücretsiz, sonra istediğiniz zaman bırakın. 90 gün para iade garantisi, koşullar geçerlidir.
Doğal dil işleme (NLP), insan metnini bir makinenin üzerinde akıl yürütebileceği verilere dönüştüren yapay zeka dalıdır: kelimeler, cümleler, varlıklar, ilişkiler ve anlam. Önce genel tanımı istiyorsanız, sözlüğümüzdeki doğal dil işleme maddesini okuyun. SEO için önemli olan tanım daha dardır: NLP, bir arama motorunun sayfanızı nerede sıralayacağına karar vermeden önce sayfanızın ne anlama geldiğine nasıl karar verdiğidir.
Bu yüzden NLP SEO'nun üç katmanı vardır. Sonuç almak için üçüne de ihtiyacınız var.
NLP SEO ne değildir: bir sayfaya "NLP anahtar kelimeleri" listesi doldurmak değildir ve bir içerik aracındaki puanın peşinden koşmak da değildir. Google bunu yararlı, güvenilir ve insan odaklı içerik oluşturma rehberinde açıkça söylüyor: Google'ın tercih ettiği bir kelime sayısı olduğunu duyduğunuz için belirli bir uzunluğa göre yazıyorsanız, yanıt "No, we don't" olur. Aynı mantık terim listeleri için de geçerlidir. Amaç anlaşılmaktır, optimize edilmiş görünmek değil.
Dil anlama SEO'yu neden değiştirdi
Kaynaklar: Google, Pandu Nayak, "Understanding searches better than ever before" (2019) ve "MUM: A new AI milestone for understanding information" (2021)
Google BERT'i tanıttığında Pandu Nayak (Google Fellow ve Arama Başkan Yardımcısı), 25 Ekim 2019 tarihli resmi duyuruda modelin ABD'deki İngilizce aramaların 10'da birini daha iyi anlamasına yardımcı olacağını açıkladı. Örneği "2019 brazil traveler to usa need a visa" sorgusuydu: BERT'ten önce "to" kelimesi büyük ölçüde göz ardı ediliyor ve Google, Brezilya'ya giden ABD vatandaşlarıyla ilgili sonuçlar gösteriyordu. BERT'ten sonra seyahatin yönü anlaşıldı. Bu tek edat, NLP SEO'nun özetidir: küçük kelimeler anlam taşır ve modeller artık onları okur. Sözlüğümüzdeki BERT algoritması sayfası modelin kendisini daha ayrıntılı ele alıyor.
İki yıl sonra Google, 18 Mayıs 2021 tarihli bir yazıda MUM'u tanıttı ve onu BERT'ten 1000 kat daha güçlü, 75 dilde eğitilmiş olarak tanımladı. Örnek sorgu, Mt. Adams'a tırmanmış ve önümüzdeki sonbahar Mt. Fuji'ye hazırlanmak isteyen bir yürüyüşçüydü: iki varlığı karşılaştırmayı ve "hazırlanmak"ın ne anlama geldiğini çıkarmayı gerektiren bir soru. Bugün AI Overviews, ChatGPT, Perplexity ve Gemini aynı ilkeyle çalışıyor: pasajları okuyor, varlıkları çözümlüyor ve yanıtları bir araya getiriyorlar. Sayfanız bu sürecin ham maddesidir.
Matematiği bilmenize gerek yok. Adımları bilmeniz gerekiyor, çünkü her adım sayfanızın yanlış okunabileceği bir yerdir. İşte tipik bir sistemin çalıştırdığı sırayla hat.
Bir makinenin sayfanızı okumak için geçtiği 7 adım
Aşağıdaki tablo her NLP görevini sayfadaki somut riskle ve sizin kontrol ettiğiniz düzeltmeyle eşleştiriyor.
| NLP görevi | Makine ne yapar | Sayfadaki tipik sorun | Neyi değiştirirsiniz |
|---|---|---|---|
| Şablon temizleme | Ana içeriği şablondan ayırır | Giriş, 600 kelimelik menü ve widget'ların arkasına gömülmüş | Yanıtı ana içeriğin ilk paragrafına, sade HTML ile koyun |
| Cümle bölme | Metni cümlelere ayırır | Fiilsiz madde parçaları, 60 kelimelik cümleler | Cümle başına bir fikir, bilgi taşıyan listelerde tam cümleler |
| Bağımlılık ayrıştırma | Özne, yüklem ve nesneyi bulur | Özne, isminden üç cümle uzaktaki "bu" ya da "o" | İsmi tekrarlayın, özne ile yüklemi yakın tutun |
| Adlandırılmış varlık tanıma | Adları tespit eder ve türlendirir | Ürününüz beş farklı şekilde yazılmış | Tek bir standart ad seçin, varyantları ancak tanıttıktan sonra kullanın |
| Varlık bağlama | Adları bilinen kavramlarla eşler | Bağlamı olmayan, belirsiz bir marka adı | Adın yanına kategoriyi ekleyin ("Sorank, SEO yazılımı...") ve sameAs içeren schema kullanın |
| Embedding | Sorgu ile pasajın anlamını karşılaştırır | Yanıt vermesi gereken pasaj genel ve her sayfaya uyabilir | Sorunun terimlerini yeniden kullanan ve somut yanıt veren pasajlar yazın |
| Sınıflandırma | Konular ve niyet atar | Blog tarzı sapmalarla dolu bir ürün sayfası | URL başına tek baskın niyet, diğer niyetler başka sayfalara |
Not
Google dışında hiç kimse sıralamada kullanılan modelleri tam olarak bilmiyor. Bu rehberdeki araçlar birer vekildir: metni Google'ın sıralama sisteminin okuduğu gibi değil, modern dil modellerinin okuduğu gibi okurlar. Onları belirsizliği bulmak için kullanın, pozisyon tahmin etmek için değil.

Beş sinyal ücretsiz ya da ucuz araçlarla ölçülebilir. Her biri farklı bir şey söyler ve hiçbiri tek başına bir sıralama faktörü değildir.
Varlık, adı konmuş bir "şey"dir: bir marka, ürün, kişi, yer ya da "anahtar kelime yamyamlığı" gibi bir kavram. Google'ın Cloud Natural Language API'si her varlık için bir tür, geçtiği yerler ve API'nin 1. sürümünde bir salience puanı döndürür. v1 Entity referansı bunu "the salience score associated with the entity in the [0, 1.0] range" olarak tanımlar. Varlık türleri UNKNOWN, PERSON, LOCATION, ORGANIZATION, EVENT, WORK_OF_ART, CONSUMER_GOOD, OTHER, PHONE_NUMBER, ADDRESS, DATE, NUMBER ve PRICE'tır.
Salience belgeye görelidir: bir metindeki tüm varlıkların puanları birbiriyle yarışır. Bu yüzden faydalı okuma sayının kendisi değil, sıralamadır. Sayfanız "NLP SEO"yu hedefliyorsa ve en üstteki varlık "Google" ise, sayfa bir makine için çoğunlukla Google hakkındadır. Ayrıntılar sözlüğümüzdeki varlık salience'ı maddesinde.
Uyarı: v1 ve v2
Natural Language API'nin v2 Entity nesnesi yalnızca name, type, metadata, mentions ve sentiment içerir: salience alanı yoktur. Bir eğitim salience puanları gösteriyorsa v1'i çağırıyordur. Bugün bir betik yazıyorsanız salience için v1 uç noktasını açıkça çağırın ve ona güvenmeden önce belgeleri kontrol edin.

classifyText yöntemi sabit bir sınıflandırmadan kategoriler döndürür (örneğin /Internet & Telecom/Web Services gibi bir yol). Google'ın Natural Language temel bilgileri belgesi, sınıflandırmanın en az yirmi tokenlık bir metin gerektirdiğini belirtir. SEO açısından kullanımı: "SEO yazılımı" için hazırlanmış bir sayfa genel bir pazarlama kategorisine düşüyorsa, kelime dağarcığı fazla geneldir.
Duygu analizi -1.0 (olumsuz) ile 1.0 (olumlu) arasında bir puan ve metnin ne kadar duygu taşıdığını ölçen bir magnitude değeri döndürür. Belge düzeyinde magnitude 0.0'dan başlar ve normalize edilmez; bu yüzden karışık görüşler içeren uzun bir metin nötr puan ve yüksek magnitude gösterebilir. SEO'da duygu esas olarak inceleme sayfalarında, karşılaştırmalarda ve "en iyi X" listelerinde önemlidir; burada düz, görüşsüz bir metin görüş isteyen bir soruyu yanıtlamış olur.
Sözdizimi analizi her tokenın sözcük türünü, kökünü ve bağımlılığını döndürür. İki kontrol yapmaya değer: ana varlığınız ne sıklıkla bir cümlenin dilbilgisel öznesi oluyor ve kaç cümle bir zamirle başlıyor ("Bu", "O", "Onlar"). Ana varlığın birçok cümlenin öznesi olduğu bir sayfa, onun etrafında değil, onun hakkında konuşan bir sayfadır.
Embedding bir pasajı vektöre dönüştürür. Bir sorgunun vektörünü pasajlarınızın vektörleriyle karşılaştırmak (kosinüs benzerliği), bir getirme sisteminin o sorgu için hangi pasajı seçeceğini gösterir. Bu, yapay zeka asistanlarının alıntıladıkları parçayı nasıl seçtiğine en yakın açık vekildir. Aynı zamanda "bu sayfa soruyu gerçekten yanıtlıyor mu, yoksa sadece bahsediyor mu" sorusu için en iyi testtir.
"NLP SEO" altı farklı yöntemi kapsar. Sağlayıcılar genellikle bunlardan birini tüm alanmış gibi satar. İşte her biri, ne zaman kullanılacağı ve nerede işe yaramaz hale geldiği.
İlke: eksiksiz bir yanıtın içermesi gereken varlıkları (ana varlık, nitelikleri, ilişkili varlıklar) belirleyin, sayfanızın onları açıkça adlandırdığını ve ana varlığın baskın olduğunu kontrol edin. Ne zaman kullanılır: bir ürün, marka, kişi, yer ya da iyi tanımlanmış bir kavram hakkındaki sayfalarda. Güçlü yönler: bilgi grafiklerinin ve yapay zeka yanıtlarının kurulma biçimine uyar ve belirsizliği kökünden giderir. Sınırlar: varlık çıkarımı sektör jargonunu ve yeni kavramları kaçırır; Google API'sinin v2'sinde salience yoktur. Örnek: uzun bir karşılaştırma paragrafı yüzünden "WordPress"in üst varlık olarak çıktığı bir "Shopify SEO" sayfası: paragraf kendi sayfasına taşınır ve Shopify sayfası odak kazanır. Entity SEO rehberimiz strateji tarafını ele alıyor.
İlke: üst sıralardaki sayfaların kullandığı terimleri, ne kadar özgül olduklarına göre ağırlıklandırarak (TF-IDF) sizinkilerle karşılaştırın ve boşlukları doldurun. Çoğu içerik puanlama aracı bunu yapar. Ne zaman kullanılır: bilgilendirici bir sayfada unuttuğunuz alt konuları bulmak için. Güçlü yönler: hızlıdır, bir yazara açıklaması kolaydır. Sınırlar: SERP ortalamasını kopyalar, tekrarı ödüllendirir ve soruyu yanıtlayıp yanıtlamadığınız hakkında hiçbir şey söylemez. Bir terim listesi alt konuların kontrol listesidir, kelime kotası değildir. Örnek: "teknik SEO denetimi" için üst sayfaların hepsi "crawl budget" ve "canonical"dan bahsediyor, sizinki bahsetmiyor: eksik olan iki kelime değil, iki bölüm.
İlke: sorguları ve pasajları vektör olarak kodlayın ve birbirlerine ne kadar yakın olduklarını ölçün. Ne zaman kullanılır: her hedef sorunun onu açıkça yanıtlayan tek bir pasajı olduğunu kontrol etmek, aynı anlam için yarışan iki sayfayı tespit etmek ve iç bağlantıları anlama göre haritalamak için. Güçlü yönler: ortak kelime olmadan çalışır, yapay zeka yanıtları için yapılan getirmeye yakındır. Sınırlar: puanlar modele bağlıdır; yüksek puan "konuyla ilgili" demektir, "doğru" ya da "faydalı" değil. Örnek: "SEO ne kadar sürer" sorusunu yanıtlayan pasaj, ilgisiz bir giriş paragrafından daha düşük puan alır: yanıt pasajı fazla belirsizdir ve zaman çizelgesi en başta verilecek şekilde yeniden yazılır.
İlke: sorguyu (bilgilendirici, ticari, işlemsel, yönlendirici) ve Google'ın ödüllendirdiği formatı (rehber, liste, araç, ürün sayfası) sınıflandırın, sonra buna uyun. Ne zaman kullanılır: yazmadan önce ve iyi bir sayfa hiç sıralama almadığında. Güçlü yönler: en pahalı hatayı, yani yanlış formatı düzeltir. Sınırlar: karışık SERP'ler vardır; niyet zamanla değişir. Sözlüğümüzdeki arama niyeti maddesine bakın.
İlke: insanların sorduğu soruları (People Also Ask, forumlar, yapay zeka promptları, destek talepleriniz) çıkarın ve her birine bağımsız bir pasaj verin. Ne zaman kullanılır: yapay zeka görünürlüğü ve öne çıkan snippet'ler için. Güçlü yönler: doğrudan alıntılanabilir pasajlar üretir. Sınırlar: soruları alt konulara göre gruplamazsanız sayfayı derinliği olmayan bir SSS'ye bölebilir.
İlke: hangi sayfanın neyi kapsayacağına karar vermek için anahtar kelimeleri ve sayfaları anlama göre gruplayın, ardından onları birbirine bağlayın. Ne zaman kullanılır: site düzeyinde, içerik üretmeden önce ve sayfalar birbirini yamyamlaştırdığında. Güçlü yönler: konusal otorite ve temiz bir mimari oluşturur. Sınırlar: SERP örtüşmesine göre kümeleme ile embedding'e göre kümeleme farklı gruplar verir; karar vermek için bir kurala ihtiyacınız var. Anahtar kelime kümeleme rehberimiz iki yaklaşımı da ayrıntılandırıyor, konu haritası maddesi ise kümeleri bir plana nasıl dönüştüreceğinizi anlatıyor.
| Yöntem | Düzey | En uygun olduğu yer | Ana risk | Araçlar |
|---|---|---|---|---|
| Varlık optimizasyonu | Sayfa | Ürün, marka ve kavram sayfaları | Salience'ı sıralama faktörü sanmak | Google Cloud Natural Language (v1), spaCy |
| Terim kapsamı (TF-IDF) | Sayfa | Eksik alt konuları bulmak | SERP ortalamasını yazmak, doldurma | İçerik puanlama araçları, Python scikit-learn |
| Embedding benzerliği | Pasaj ve site | Yanıt kalitesi, yamyamlık, iç bağlantılar | "Konuyla ilgili"yi "iyi" ile karıştırmak | Sentence Transformers, vektör veritabanları |
| Niyet sınıflandırması | Sorgu ve sayfa | Doğru formatı seçmek | Karışık SERP'leri göz ardı etmek | Manuel SERP incelemesi, sınıflandırıcılar |
| Soru madenciliği | Pasaj | Yapay zeka alıntıları, snippet'ler | Yüzeysel SSS sayfaları | People Also Ask, prompt araştırması |
| Konu kümeleme | Site | Mimari, konusal otorite | Tutarsız küme kuralları | Kümeleme araçları, embedding |
Terim listesi optimizasyonu ile varlık ve pasaj optimizasyonu
Başlangıç için önerdiğimiz yöntem bu: tek bir önemli sayfa, tek bir öğleden sonra. Sayfa metnine, üç ila beş rakip sayfaya ve ücretsiz çevrimiçi araçlara ya da birkaç satır Python'a ihtiyacınız var.
6 adımda sayfa NLP denetimi
spaCy ücretsiz ve açık kaynaklı bir Python kütüphanesidir. Küçük İngilizce modeli bir dizüstü bilgisayarda saniyeler içinde çalışır. Aşağıdaki betik sayfanızın en sık geçen varlıklarını ve en sık geçen dilbilgisel öznelerini listeler: ikinci liste çoğu zaman birinciden daha açıklayıcıdır.
import spacy
from collections import Counter
nlp = spacy.load("en_core_web_sm") # pip install spacy, then: python -m spacy download en_core_web_sm
text = open("page.txt", encoding="utf-8").read()
doc = nlp(text)
entities = Counter((e.text.lower(), e.label_) for e in doc.ents)
for (name, label), n in entities.most_common(20):
print(f"{n:>3} {label:<12} {name}")
# Who is the subject of your sentences?
subjects = Counter(t.lemma_.lower() for t in doc if t.dep_ in ("nsubj", "nsubjpass"))
print(subjects.most_common(15))
# How many sentences start with a vague pronoun?
vague = [s.text for s in doc.sents if s[0].lower_ in ("it", "this", "that", "they")]
print(len(vague), "sentences start with a pronoun")
Özne listesini dikkatle okuyun. Bir yazılım ürünü hakkındaki sayfada "you" ve "it" baskınsa ve ürün adı hiç özne olarak görünmüyorsa, sayfa eylemleri kimin yaptığını söylemeden anlatıyordur. Bu bir saatte düzeltilebilir.

spaCy'nin genel modelleri salience hesaplamaz. Bunun için Google Cloud Natural Language'in v1 analyzeEntities uç noktasını çağırın. Bir proje oluşturun, API'yi etkinleştirin, gcloud komut satırıyla kimlik doğrulaması yapın, ardından metninizi gönderin. Bu istek gövdesini request.json olarak kaydedin:
{
"document": {
"type": "PLAIN_TEXT",
"language": "en",
"content": "Paste the clean main text of your page here."
},
"encodingType": "UTF8"
}
Ardından uç noktayı çağırın:
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"
Yanıt, varlıkları type, salience, mentions değerleriyle ve varlık bağlandığında bir wikipedia_url ile bir mid (Knowledge Graph tanımlayıcısı) içerebilen bir metadata nesnesiyle listeler. Meta verisinde Wikipedia URL'si olan bir varlık bilinen bir kavrama bağlanmıştır; bu bilgiye sahip olmayan önemli bir varlık belirsiz ya da çok yeni olabilir. İçerik kategorilerini almak için analyzeEntities yerine classifyText yazın. Yüzlerce sayfada çalıştırmadan önce Google Cloud'daki güncel fiyatları ve kotaları kontrol edin.
Sentence Transformers kütüphanesi bir sorunun anlamını sayfanızdaki her pasajla karşılaştırır. all-MiniLM-L6-v2 modeli küçüktür ve bu kontrol için yeterince iyidir.
from sentence_transformers import SentenceTransformer, util
model = SentenceTransformer("all-MiniLM-L6-v2")
text = open("page.txt", encoding="utf-8").read()
passages = [p.strip() for p in text.split("\n\n") if len(p.split()) > 25]
questions = [
"what is nlp seo",
"how do I find the entities of my page",
"is entity salience a ranking factor",
]
p_vecs = model.encode(passages, convert_to_tensor=True)
for q in questions:
scores = util.cos_sim(model.encode(q, convert_to_tensor=True), p_vecs)[0]
best = int(scores.argmax())
print(f"{q}\n best score {scores[best]:.2f}: {passages[best][:100]}\n")
İki sonuç harekete geçmeyi gerektirir. Bir soru için en iyi pasaj, onu yanıtlamak için yazdığınız pasaj değilse, yanıt pasajınız fazla geneldir. Bir sorunun en iyi puanı diğerlerinin çok altındaysa, sayfa o soruyu gerçekten yanıtlamıyordur. Puanları mutlak bir eşikle değil, aynı sayfadaki sorular arasında karşılaştırın: değerler modele bağlıdır.

İpucu
Python bilmiyor musunuz? Ücretsiz LLM Readability Checker aracımız bir sayfayı yapay zeka çıkarımı açısından puanlar, Heading Structure Analyzer ise H2 ve H3 başlıklarınızın pasajlarınızın yanıtladığı soruları duyurup duyurmadığını gösterir.
NLP sorunlarının çoğu bir araçta değil, yazımda düzeltilir. Bu kurallar doğrudan yukarıdaki hattan gelir: her biri makinenin yanılabileceği bir adımı ortadan kaldırır.
Her bölümün ilk cümlesinde öznenin ana varlığın tam adı olmasını sağlayın. Bir paragrafa "Bu" ya da "O" ile başlamaktan kaçının. İsim yakın olduğu sürece paragrafın içinde zamir kullanmak sorun değildir.
Kategoriyi (Y) ve ayırt edici özelliği (Z) belirten bir tanım, bir modelin çıkarması ve bir yapay zeka asistanının alıntılaması en kolay yapıdır. "Varlık salience'ı, bir varlığın metindeki merkezilik düzeyini ölçen 0 ile 1 arasında bir puandır" cümlesi üç cümlelik bağlamdan daha iyidir.
Fiyatlar, tarihler, boyutlar, uyumluluklar ve sınırlar tanımladıkları varlığın yanında durmalıdır. "Sorank, ChatGPT, Gemini, Claude ve Perplexity'deki görünürlüğü izler" çıkarılabilir tek bir olgudur. Aynı bilginin bir başlık, bir madde ve bir dipnot arasında bölünmesi üç parça demektir.
Her ürün, özellik ve kavram için tek bir ad seçin. Bir eş anlamlıyı bir kez tanıtın ("query fan-out, yani yapay zeka asistanlarının bir soruyu birkaç aramaya bölme biçimi") ve ardından tek bir biçime bağlı kalın.
Soru soran bir başlığın altında ilk cümle yanıtı verir. Pasajın geri kalanı koşulları, örneği ve istisnaları verir. Bir pasajı bağımsız yapan budur.
NLP odaklı yeniden yazımdan önce ve sonra tek bir paragraf
"Sonra" cümlesi gerçek bir ürünün tanımı değil, yapının bir örneğidir: nitelikleri sayfanızın gerçekte sunduklarına göre uyarlayın.
Anlamsal SEO için Python NLP, yukarıdaki pasaj testiyle aynı türde bir embedding modelini tüm listelere uygulamak demektir: anahtar kelimeleriniz ve sitenizin sayfaları. Tek bir sayfa kontrolünün yanıtlayamayacağı soruları iki kısa betik yanıtlar. Hangi anahtar kelimeler aynı sayfaya ait? Sitenizdeki hangi sayfalar aynı anlam için yarışıyor? Her ikisi de kendi bilgisayarınızda ücretsiz çalışır ve size karar değil, incelemeniz için adaylar üretir.
Kütüphaneleri, diğer Python projeleriyle çakışmaması için bir sanal ortamda kurun:
python3 -m venv nlp-seo
source nlp-seo/bin/activate
pip install sentence-transformers scikit-learn
all-MiniLM-L6-v2 modeli ilk çalıştırmada bir kez indirilir. Bundan sonra iki betik de çevrimdışı çalışır.
Kümeleme, düz bir anahtar kelime listesini tek bir sayfanın yanıtlayabileceği gruplara dönüştürür. Her anahtar kelime bir vektör olur ve kosinüs mesafesinde birbirine yakın vektörlere sahip anahtar kelimeler aynı gruba düşer. Anahtar kelimelerinizi satır başına bir tane olacak şekilde bir metin dosyasında tutun ve bu betiği çalıştırın:
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, # kosinüs mesafesi: düşük değerler daha sıkı gruplar üretir
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)
Belirleyici ayar eşiktir. 0,35 ile başlayın ve çıktıyı okuyun. Alakasız anahtar kelimeler aynı grupta çıkıyorsa değeri düşürün. Bir sayfanın konusu birden fazla gruba bölünüyorsa yükseltin. Ortalama bağlantı (average linkage), birbirine gevşekçe bağlı bir anahtar kelime zincirinin iki alakasız grubu birleştirmesi olan zincirleme etkisini azaltır.
İkinci betik sayfalarınızı birbiriyle karşılaştırır. url ve title sütunlarıyla, başlık satırı olan sekmeyle ayrılmış bir dosyaya sayfa başına bir satır koyun. Başlıklar kaba bir vekil olduğu için daha keskin bir test için her sayfanın ilk paragrafını title sütununa yapıştırın.
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: # başlangıç noktası: sonuçları okuduktan sonra ayarlayın
print(f"{score:.2f} {rows[i][0]} vs {rows[j][0]}")
Yazdırılan her çift bir adaydır, hüküm değil. İki adresi açın ve bir okurun, sayfalardan birinin diğerinin sorusunu yanıtlamasını bekleyip beklemeyeceğini sorun. Cevap evetse iki sayfayı birleştirin ya da birini ana sayfa olarak tutup diğerinin odağını daraltın. anahtar kelime kanibalizasyonu maddesi nasıl seçileceğini açıklar.
| Betik | Girdi | Çıktı | Sizin karar verdiğiniz şey |
|---|---|---|---|
| Anahtar kelime grupları | Satır başına bir anahtar kelime | Anlamı ortak olan anahtar kelime grupları | Her grubun bir mi, yoksa birden fazla mı sayfaya ihtiyacı olduğu |
| Rakip sayfalar | Sayfa başına URL ve başlık ya da ilk paragraf | Eşiğinizin üzerindeki sayfa çiftleri | Birleştirmek, odağı daraltmak ya da iki sayfayı da tutmak |
Üç sınırlama önemlidir:
Bu betikler, yukarıdaki pasaj testinin site düzeyindeki karşılığıdır: biri neyin birlikte ait olduğunu, diğeri sayfalarınızın nerede üst üste bindiğini gösterir. Betikleri bakımını yapmak istemiyorsanız, Sorank'ın Topic Cluster Generator aracı gruplama adımını kanibalizasyon kontrolü yerleşik olarak çalıştırır.
Dil modelleri paragraflarınızdan fazlasını okur. Metnin çevresindeki üç öğe güçlü sinyaller taşır.
Schema.org işaretlemesi tek başına bir sayfayı sıralamaya sokmaz, ancak sayfanın ne hakkında olduğunu ve hangi bilinen kavramlara atıfta bulunduğunu makine formatında belirtir. Referans sayfalara sameAs bağlantılarıyla birlikte about ve mentions özellikleri, varlık bağlamadaki belirsizliği giderir.
<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>
Kendi işaretlemenizi ücretsiz Schema Markup Generator ve Structured Data Validator araçlarımızla oluşturun ve test edin.
Başlıklar, bir modelin sayfanızı pasajlara bölmek için kullandığı ilk şeydir. Varlığı ve soruyu adlandıran bir başlık ("Varlık salience'ı nasıl hesaplanır"), zekice bir başlıktan ("Kaputun altında") daha temiz bir parça üretir. H2 ve H3 hiyerarşisini katı tutun: üst H2'si olmayan H3 yok, atlanan düzey yok.
Bağlantı metni, aramadaki en eski NLP sinyallerinden biridir: motora hedef sayfanın ne hakkında olduğunu dışarıdan söyler. Hedef varlığı adlandıran açıklayıcı bağlantı metinleri kullanın, anlam olarak yakın sayfaları bağlayın ve aynı bağlantı metnini iki farklı sayfaya göndermekten kaçının. Semantik koza bunu düzenlemenin en yapılandırılmış yoludur ve otomatik iç bağlantı rehberimiz bunu gürültü yaratmadan nasıl ölçeklendireceğinizi açıklıyor.
Yapay zeka asistanları NLP mantığını sonuna kadar götürür. Tüm sayfaları sıralamazlar: pasajları getirir, alt sorgularla anlam olarak karşılaştırır ve bazen kaynağı alıntılayan bir yanıt oluştururlar. Bundan üç sonuç çıkar.
Yapay zeka yanıtlarına uygulanan yöntemin tamamı için LLM içerik optimizasyonu rehberimize bakın.
Denetlenen sitelerde en sık gördüğümüz hatalar bunlar. Her birinin fark edebileceğiniz bir belirtisi ve bugün uygulayabileceğiniz bir düzeltmesi var.
Nedir: API anahtar kelimenize yüksek salience verene ya da bir araç yeşil puan gösterene kadar yeniden yazmak. Nasıl fark edilir: sayfa optimizasyondan sonra daha kötü okunuyor; aynı ifade her paragrafta geçiyor. Nasıl düzeltilir: salience'ı yalnızca varlıkların sırasını kontrol etmek için kullanın, ardından sayfayı yanıtlara ve Search Console verilerine göre değerlendirin. Google bu API'nin puanlarını sıralamada kullandığını hiç söylemedi.
Nedir: beş rakip bahsettiği için bir cümleye "crawl budget" eklemek. Nasıl fark edilir: terimler bir kez, bağlam dışında, açıklamasız geçiyor. Nasıl düzeltilir: her eksik varlık bir soruya dönüşür: okuyucumun buna ihtiyacı var mı? Evetse bir pasaj yazın; hayırsa yok sayın.
Nedir: menü ve alt bilgi dahil tüm sayfayı bir NLP aracına yapıştırmak. Nasıl fark edilir: üst varlıklarınız marka adınız, "çerezler", "iletişim" ya da alt bilgi kategorileri. Nasıl düzeltilir: herhangi bir analizden önce yalnızca makale gövdesini çıkarın.
Nedir: eski bir eğitimi güncel uç noktayla takip etmek. Nasıl fark edilir: JSON yanıtında varlıklar ve geçişler var ama salience yok. Nasıl düzeltilir: salience için /v1/documents:analyzeEntities çağırın ve v1'in değişebileceğini aklınızda tutun.
Nedir: "bu", "o" ve "onlar"ın birkaç cümle önceki isimlere atıfta bulunduğu paragraflar. Nasıl fark edilir: yukarıdaki spaCy betiği zamirle başlayan cümleleri sayar; önemli bir sayfada beş cümlede birden fazlası uyarı işaretidir. Nasıl düzeltilir: her paragrafın başında ve her başlıktan sonra ismi yeniden belirtin.
Nedir: tek bir URL'nin bir kavramı tanımlamaya, araçları karşılaştırmaya ve bir ürün satmaya çalışması. Nasıl fark edilir: sayfa birçok sorgu için 15 ile 40 arası pozisyonlarda sıralanıyor ve hiçbirinde ilk 5'te değil. Nasıl düzeltilir: baskın niyeti koruyun, diğerlerini özel sayfalara taşıyın, birbirine bağlayın.
Nedir: hedef bir kelime sayısına ya da anahtar kelime yoğunluğuna ulaşmak için sayfayı şişirmek. Nasıl fark edilir: tekrarlanan girişler, her sayfaya uyabilecek genel paragraflar. Nasıl düzeltilir: bir okuyucunun soracağı bir soruyu yanıtlamayan her pasajı kesin. Keyword Density Calculator aracımız tersine kullanışlıdır: fazla tekrar ettiğiniz yerleri bulmak için.
Nedir: bir makinenin sıradan bir kelimeden ya da başka bir şirketten ayırt edemeyeceği bir marka ya da ürün adı kullanmak. Nasıl fark edilir: API markanızı meta veri olmadan OTHER ya da CONSUMER_GOOD olarak döndürüyor veya yanlış kavrama bağlıyor. Nasıl düzeltilir: adın yanına kategoriyi ekleyin, resmi profillerinize sameAs içeren Organization ya da Product schema kullanın ve adı her yerde aynı tutun.
Tek bir sayfa için NLP SEO kontrol listesi
Büyük bir araç setine ihtiyacınız yok. Araçları yanıtlanmasını istediğiniz soruya göre seçin.
| Araç | Tür | Size ne söyler | Gereken beceri | En iyi kullanım |
|---|---|---|---|---|
| Google Cloud Natural Language | Bulut API (Google Cloud fiyatlandırmasına bakın) | Varlıklar, salience (v1), kategoriler, duygu, sözdizimi | Orta: bir Google Cloud projesi ve birkaç komut | Bir Google modelinin kilit sayfalarınızı nasıl okuduğunu kontrol etmek |
| spaCy | Açık kaynaklı Python kütüphanesi | Varlıklar, cümle yapısı, özneler, kökler | Temel Python | Birçok sayfayı yerel olarak, maliyetsiz denetlemek |
| Sentence Transformers | Açık kaynaklı Python kütüphanesi | Sorgular ile pasajlar arasındaki anlam benzerliği | Temel Python | Yanıt kontrolleri, yamyamlık, iç bağlantı haritalama |
| Google Search Console | Ücretsiz Google aracı | Her URL'nin gerçekten göründüğü sorgular | Yok | Bir yeniden yazımın etkisini ölçmek |
| İçerik optimizasyon araçları | SaaS | Üst sayfalara karşı terim ve varlık boşlukları | Yok | Yazmadan önce hızlı alt konu kontrolü |
| Sorank | autopilot çalışan SEO ve GEO yazılımı | Yeniden yazımlar, konu kümeleri, yapay zeka görünürlüğü takibi | Yok | Yöntemi tüm siteye uygulamak |
Ticari seçeneklerin yan yana incelemesi için en iyi içerik optimizasyon araçları karşılaştırmamızı okuyun. Düzeltilecek onlarca eski sayfanız varsa, Sorank'ın Content Optimization özelliği mevcut sayfaları autopilot modunda denetler ve yeniden yazar; Topic Cluster Generator ise siz yazmadan önce anahtar kelimelerinizi anlama göre gruplar ve yerleşik bir yamyamlık kontrolü içerir.
NLP değişiklikleri anlaşılmayla ilgilidir, bu yüzden önce anlaşılmayı, sonra trafiği ölçün.
Google Search Console'da Performans raporunu yeniden yazılan URL'ye göre filtreleyin ve 28 gün içinde gösterim alan farklı sorguları önce ve sonra sayın. Daha iyi anlaşılan bir sayfa genellikle birkaç hafta içinde, çoğu zaman tıklamalar değişmeden önce, daha fazla uzun kuyruk varyantı için görünür.
Pasaj testinde kullandığınız 5 ila 10 soruyu takip edin. Gösterimler artıyor ama pozisyon artmıyorsa, sayfa anlaşılıyor ama tercih edilmiyordur: derinlik, örnekler ve bağlantılar üzerinde çalışın.
Aynı promptları önce ve sonra ChatGPT, Gemini, Claude ve Perplexity'de sorun ve sayfanızın alıntılanıp alıntılanmadığını not edin. Bunu her ay tekrarlayın: yapay zeka yanıtları bir çalıştırmadan diğerine değişir, bu yüzden tek bir test hiçbir şey kanıtlamaz. Bu kontrolün yapılandırılmış bir sürümü için tek bir sayfa yerine tüm kümede bir semantik SEO denetimi yapın.
Size en çok iş getiren sayfayı seçin ve onun üzerinde altı adımlı denetimi yapın. Bulduğunuz ilk iki sorunu düzeltin; bunlar genellikle baskın olmayan bir ana varlık ve fazla belirsiz bir yanıt pasajıdır. Ardından tarihi not edin ve dört hafta sonra Search Console'da sayfanın sorgularını kontrol edin.
SEO'da NLP, içeriğinizi dil modellerinin kolayca anlayacağı hale getirmek demektir: sayfanın hangi varlıkları kapsadığı, her pasajın hangi soruları yanıtladığı ve sayfanın sitenin geri kalanıyla nasıl ilişkili olduğu. Google, 2019'dan beri aramada BERT gibi dil modelleri kullanıyor ve yapay zeka asistanları tamamen bunlara dayanıyor; bu nedenle net ve belirsizlikten uzak yazım pratikte bir sıralama ve alıntılanma faktörü haline geldi.
Google'ın hiçbir resmi açıklaması, Cloud Natural Language API'sinin salience puanının sıralamada kullanıldığını söylemiyor. Bu puan, ana konunuzun sayfada baskın olup olmadığını kontrol etmek için yararlı bir vekildir, ancak bir sayının peşinden koşmak yerine varlıkların sırasını okumalısınız. Salience değerini yalnızca API'nin 1. sürümü döndürür.
spaCy ve Sentence Transformers, varlık çıkarımı ve pasaj benzerliği için ücretsiz, açık kaynaklı Python kütüphaneleridir. Yine ücretsiz olan Google Search Console, ardından yeniden yazılan bir sayfanın daha fazla sorgu için görünüp görünmediğini gösterir. Google Cloud Natural Language ise salience ve kategoriler ekler; kullanım Google Cloud fiyatlandırmasına göre ücretlendirilir.
