Як NLP впливає на Google і AI-пошук: сутності, salience, ембединги, NLP-аудит сторінки за 6 кроків із кодом, правила тексту й помилки, яких варто уникати.

На цій сторінці
Коротко
NLP SEO означає писати й структурувати сторінки так, щоб мовні моделі Google та AI-асистентів точно розуміли, про що ваша сторінка: які сутності вона охоплює, на яке питання відповідає кожен фрагмент і як вона пов'язана з рештою сайту. На практиці ви проганяєте текст через ті самі типи інструментів (вилучення сутностей, класифікація, ембединги), виправляєте те, що машина розуміє неправильно, і переписуєте речення так, щоб головна тема, її властивості та відповіді стали явними. Це не новий трюк для ранжування: це спосіб прибрати неоднозначність, а саме неоднозначність коштує вам позицій і цитувань у відповідях AI.
Хочете дізнатися більше? Запитайте
Швидкий тест
Чи підходить вам SEO і з чого почати?
Sorank відповідає вашим відповідям
Спробуйте його 3 дні на власному сайті й дізнайтеся, де ви зараз у Google, ChatGPT та інших ШІ.
Спробувати 3 дні безкоштовно3 дні безкоштовно, потім зупиніть, коли захочете. Гарантія повернення коштів протягом 90 днів, на певних умовах.
Обробка природної мови (natural language processing, NLP) це галузь AI, яка перетворює людський текст на дані, з якими машина може міркувати: слова, речення, сутності, зв'язки й зміст. Якщо спершу потрібне загальне визначення, прочитайте статтю нашого глосарію про natural language processing. Для SEO важливе вужче визначення: NLP це те, як пошукова система вирішує, що означає ваша сторінка, перш ніж вирішити, де її ранжувати.
Тому NLP SEO має три рівні. Для результату потрібні всі три.
Чим NLP SEO не є: це не напихання сторінки списком «NLP-ключових слів» і не гонитва за оцінкою в контент-інструменті. Google прямо каже про це в посібнику зі створення корисного, надійного контенту для людей: якщо ви пишете під певну кількість слів, бо чули, що Google їй віддає перевагу, відповідь «Ні, не віддаємо». Та сама логіка стосується списків термінів. Мета в тому, щоб вас зрозуміли, а не в тому, щоб виглядати оптимізованим.
Чому розуміння мови змінило SEO
Джерела: Google, Pandu Nayak, «Understanding searches better than ever before» (2019) і «MUM: A new AI milestone for understanding information» (2021)
Представляючи BERT, Панду Наяк (Google Fellow і віцепрезидент із пошуку) пояснив в офіційному анонсі від 25 жовтня 2019 року, що модель допоможе Пошуку краще розуміти один із 10 англомовних запитів у США. Його приклад: запит «2019 brazil traveler to usa need a visa». До BERT слово «to» майже ігнорувалося, і Google показував результати про громадян США, які їдуть до Бразилії. Після BERT напрямок поїздки став зрозумілим. Цей єдиний прийменник і є NLP SEO у двох словах: маленькі слова несуть зміст, і моделі тепер їх читають. Сторінка нашого глосарію про алгоритм BERT докладніше розповідає про саму модель.
Через два роки Google представив MUM у публікації від 18 травня 2021 року, описавши модель як у 1000 разів потужнішу за BERT і навчену на 75 мовах. Приклад: турист, який піднімався на гору Адамс і хоче підготуватися до сходження на Фудзі наступної осені. Таке питання вимагає порівняти дві сутності й зрозуміти, що означає «підготуватися». Сьогодні AI Overviews, ChatGPT, Perplexity і Gemini працюють за тим самим принципом: читають фрагменти, розпізнають сутності й складають відповіді. Ваша сторінка це сировина для цього процесу.
Математику знати не потрібно. Потрібно знати етапи, бо на кожному з них сторінку можуть зрозуміти неправильно. Ось конвеєр у тому порядку, в якому його запускає типова система.
7 етапів, через які проходить машина, читаючи вашу сторінку
Таблиця нижче пов'язує кожне NLP-завдання з конкретним ризиком на сторінці та виправленням, яке залежить від вас.
| NLP-завдання | Що робить машина | Типова проблема на сторінці | Що ви змінюєте |
|---|---|---|---|
| Видалення шаблонного контенту | Відокремлює основний контент від шаблону | Вступ захований за 600 словами меню й віджетів | Поставте відповідь у перший абзац основного контенту, у простому HTML |
| Поділ на речення | Ділить текст на речення | Пункти списку без дієслова, речення по 60 слів | Одна думка на речення, повні речення у списках із фактами |
| Синтаксичний розбір залежностей | Знаходить підмет, присудок і додаток | Підмет «він» або «це» стоїть за три речення від свого іменника | Повторіть іменник, тримайте підмет і присудок поруч |
| Розпізнавання іменованих сутностей | Знаходить і типізує назви | Ваш продукт написаний п'ятьма різними способами | Оберіть одну канонічну назву, варіанти вживайте лише після їх введення |
| Зв'язування сутностей | Зіставляє назви з відомими поняттями | Неоднозначна назва бренду без контексту | Додайте категорію поруч із назвою («Sorank, SEO-сервіс...») і розмітку з sameAs |
| Ембединги | Порівнює зміст запиту й фрагмента | Фрагмент, який мав би відповідати, загальний і пасував би будь-якій сторінці | Пишіть фрагменти, які повторюють терміни питання й дають конкретну відповідь |
| Класифікація | Присвоює теми й намір | Сторінка продукту, повна відступів у стилі блогу | Один домінантний намір на URL, інші наміри переносяться на інші сторінки |
Примітка
Ніхто поза Google точно не знає, які моделі використовуються в ранжуванні. Інструменти з цього посібника лише наближення: вони читають текст так, як сучасні мовні моделі, а не так, як система ранжування Google. Використовуйте їх, щоб знаходити неоднозначність, а не щоб передбачати позиції.

П'ять сигналів вимірюються безкоштовними або недорогими інструментами. Кожен говорить про своє, і жоден сам по собі не є фактором ранжування.
Сутність це іменована «річ»: бренд, продукт, людина, місце, поняття на кшталт «канібалізації ключових слів». Cloud Natural Language API від Google повертає для кожної сутності тип, її згадки та, у версії 1 API, оцінку salience (наскільки сутність центральна для тексту). Довідник v1 Entity описує її як «the salience score associated with the entity in the [0, 1.0] range». Типи сутностей: UNKNOWN, PERSON, LOCATION, ORGANIZATION, EVENT, WORK_OF_ART, CONSUMER_GOOD, OTHER, PHONE_NUMBER, ADDRESS, DATE, NUMBER і PRICE.
Salience відносна всередині документа: оцінки всіх сутностей тексту конкурують між собою. Тому корисно дивитися на порядок, а не на число. Якщо сторінка націлена на «NLP SEO», а верхня сутність «Google», то для машини сторінка переважно про Google. Подробиці у статті глосарію про entity salience.
Увага: v1 і v2
Об'єкт Entity у v2 Natural Language API містить лише name, type, metadata, mentions і sentiment: поля salience немає. Якщо в посібнику показано оцінки salience, отже, він викликає v1. Якщо ви пишете скрипт сьогодні, викликайте для salience саме ендпоінт v1 і звіряйтеся з документацією, перш ніж на нього покладатися.

Метод classifyText повертає категорії з фіксованої таксономії (наприклад, шлях виду /Internet & Telecom/Web Services). У документації Google з основ Natural Language зазначено, що для класифікації потрібен текст щонайменше з двадцяти токенів. Користь для SEO: якщо сторінка, задумана під «SEO-сервіс», потрапляє до загальної маркетингової категорії, її лексика надто загальна.
Аналіз тональності повертає оцінку від -1,0 (негатив) до 1,0 (позитив) і магнітуду, яка показує, скільки емоцій несе текст. На рівні документа магнітуда починається з 0,0 і не нормалізована, тому довгий текст зі змішаними думками може показати нейтральну оцінку й високу магнітуду. У SEO тональність важлива передусім на сторінках відгуків, порівнянь і добірок «найкращі X», де плаский текст без думки відповідає на питання, яке вимагає думки.
Синтаксичний аналіз повертає для кожного токена частину мови, лему й залежність. Варто зробити дві перевірки: як часто головна сутність виступає граматичним підметом і скільки речень починається із займенника («Він», «Це», «Вони»). Сторінка, де головна сутність є підметом багатьох речень, говорить про неї, а не навколо неї.
Ембединги перетворюють фрагмент на вектор. Порівнюючи вектор запиту з векторами ваших фрагментів (косинусна схожість), ви бачите, який фрагмент обрала б пошукова система для цього запиту. Це найближче публічне наближення того, як AI-асистенти обирають фрагмент для цитування. І найкраща перевірка того, чи сторінка відповідає на питання, чи лише згадує його.
Під «NLP SEO» ховаються шість різних методів. Постачальники зазвичай продають один із них так, ніби це вся галузь. Ось кожен, із тим, коли його застосовувати і де він перестає працювати.
Принцип: визначте сутності, які має містити повна відповідь (головна сутність, її властивості, пов'язані сутності), перевірте, що сторінка явно їх називає і що головна сутність домінує. Коли застосовувати: на сторінках про продукт, бренд, людину, місце або чітко визначене поняття. Сильні сторони: відповідає тому, як будуються графи знань і відповіді AI, і усуває неоднозначність у корені. Обмеження: вилучення сутностей пропускає галузевий жаргон і нові поняття; у v2 API Google немає salience. Приклад: сторінка про «Shopify SEO», де «WordPress» опиняється серед верхніх сутностей через довгий порівняльний абзац: абзац переноситься на окрему сторінку, і сторінка про Shopify отримує фокус. Наш посібник з entity SEO розкриває стратегічний бік.
Принцип: порівняйте терміни сторінок із топу зі своїми, зважені за специфічністю (TF-IDF), і заповніть прогалини. Так працює більшість інструментів оцінки контенту. Коли застосовувати: щоб знайти забуті підтеми на інформаційній сторінці. Сильні сторони: швидко й легко пояснити автору. Обмеження: копіює середнє по видачі, заохочує повтори й нічого не каже про те, чи відповідаєте ви на питання. Список термінів це чекліст підтем, а не квота слів. Приклад: усі сторінки з топу за запитом «технічний SEO-аудит» згадують «краулінговий бюджет» і «canonical», ваша ні: бракує двох розділів, а не двох слів.
Принцип: закодуйте запити й фрагменти у вектори та виміряйте, наскільки вони близькі. Коли застосовувати: щоб перевірити, що на кожне цільове питання є фрагмент, який явно на нього відповідає, знайти дві сторінки, що конкурують за один зміст, і вибудувати внутрішні посилання за змістом. Сильні сторони: працює без спільних слів і близький до того, як влаштований пошук для відповідей AI. Обмеження: оцінки залежать від моделі; висока оцінка означає «за темою», а не «правильно» чи «корисно». Приклад: фрагмент, що відповідає на «скільки часу займає SEO», отримує оцінку нижчу, ніж нерелевантний вступний абзац: відповідь надто розмита, її переписують і ставлять терміни на початок.
Принцип: класифікуйте запит (інформаційний, комерційний, транзакційний, навігаційний) і формат, який заохочує Google (посібник, список, інструмент, сторінка продукту), потім підлаштуйтеся. Коли застосовувати: до написання тексту і коли гарна сторінка зовсім не ранжується. Сильні сторони: виправляє найдорожчу помилку, неправильний формат. Обмеження: буває змішана видача; намір змінюється з часом. Див. статтю глосарію про пошуковий намір.
Принцип: зберіть питання, які ставлять люди (блок «Люди також питають», форуми, промпти в AI, звернення до підтримки), і дайте кожному самостійний фрагмент. Коли застосовувати: для видимості в AI та розширених сніпетів. Сильні сторони: одразу дає фрагменти, які можна цитувати. Обмеження: може роздробити сторінку на поверхневий FAQ, якщо не згрупувати питання за підтемами.
Принцип: згрупуйте ключові слова й сторінки за змістом, щоб вирішити, яка сторінка що охоплює, потім зв'яжіть їх посиланнями. Коли застосовувати: на рівні сайту, до виробництва контенту і коли сторінки канібалізують одна одну. Сильні сторони: створює тематичний авторитет і чисту архітектуру. Обмеження: кластеризація за перетином видачі та за ембедингами дає різні групи; потрібне правило для вибору. Наш посібник із кластеризації ключових слів описує обидва підходи, а стаття про topical map пояснює, як перетворити кластери на план.
| Метод | Рівень | Найкраще для | Головний ризик | Інструменти |
|---|---|---|---|---|
| Оптимізація сутностей | Сторінка | Сторінки продуктів, брендів і понять | Вважати salience фактором ранжування | Google Cloud Natural Language (v1), spaCy |
| Покриття термінів (TF-IDF) | Сторінка | Пошук відсутніх підтем | Писати «середнє по видачі», переспам | Інструменти оцінки контенту, Python scikit-learn |
| Схожість ембедингів | Фрагмент і сайт | Якість відповіді, канібалізація, внутрішні посилання | Плутати «за темою» з «добре» | Sentence Transformers, векторні бази даних |
| Класифікація наміру | Запит і сторінка | Вибір правильного формату | Ігнорувати змішану видачу | Ручний розбір видачі, класифікатори |
| Збір питань | Фрагмент | Цитування в AI, сніпети | Поверхневі сторінки FAQ | «Люди також питають», аналіз промптів |
| Тематична кластеризація | Сайт | Архітектура, тематичний авторитет | Непослідовні правила кластерів | Інструменти кластеризації, ембединги |
Оптимізація за списком термінів проти сутностей і фрагментів
З цього методу радимо почати: одна важлива сторінка, один вечір. Потрібні текст сторінки, три-п'ять конкурентних сторінок і або безкоштовні онлайн-інструменти, або кілька рядків на Python.
NLP-аудит сторінки за 6 кроків
spaCy це безкоштовна бібліотека Python із відкритим кодом. Її невелика англійська модель працює на ноутбуці за секунди. Скрипт нижче виводить найчастіші сутності та найчастіші граматичні підмети вашої сторінки: другий список часто показовіший за перший.
import spacy
from collections import Counter
nlp = spacy.load("en_core_web_sm") # pip install spacy, потім: 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}")
# Що є підметом у ваших реченнях?
subjects = Counter(t.lemma_.lower() for t in doc if t.dep_ in ("nsubj", "nsubjpass"))
print(subjects.most_common(15))
# Скільки речень починається з розмитого займенника?
vague = [s.text for s in doc.sents if s[0].lower_ in ("it", "this", "that", "they")]
print(len(vague), "речень починається із займенника")
Уважно прочитайте список підметів. Якщо на сторінці про програмний продукт домінують «ви» і «він», а назва продукту жодного разу не виступає підметом, сторінка описує дії, не кажучи, хто їх виконує. Це виправляється за годину.

Загальні моделі spaCy не обчислюють salience. Для цього викличте ендпоінт analyzeEntities у v1 Google Cloud Natural Language. Створіть проєкт, увімкніть API, авторизуйтеся через командний рядок gcloud і надішліть текст. Збережіть тіло запиту як request.json:
{
"document": {
"type": "PLAIN_TEXT",
"language": "en",
"content": "Вставте сюди чистий основний текст сторінки."
},
"encodingType": "UTF8"
}
Потім викличте ендпоінт:
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"
У відповіді перелічено сутності з полями type, salience, mentions і, якщо сутність зв'язана, об'єктом metadata, який може містити wikipedia_url і mid (ідентифікатор у Knowledge Graph). Сутність з URL Вікіпедії в метаданих пов'язана з відомим поняттям; важлива сутність без нього може бути неоднозначною або надто новою. Замініть analyzeEntities на classifyText, щоб отримати категорії контенту. Перед запуском на сотнях сторінок перевірте актуальні ціни й квоти Google Cloud.
Бібліотека Sentence Transformers порівнює зміст питання з кожним фрагментом сторінки. Модель all-MiniLM-L6-v2 невелика й підходить для такої перевірки.
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 найкраща оцінка {scores[best]:.2f}: {passages[best][:100]}\n")
Два результати вимагають дій. Якщо найкращий фрагмент для питання не той, який ви писали як відповідь, ваша відповідь надто загальна. Якщо найкраща оцінка за питанням значно нижча за інші, сторінка насправді на нього не відповідає. Порівнюйте оцінки між питаннями однієї сторінки, а не з абсолютним порогом: значення залежать від моделі.

Порада
Немає Python? Наш безкоштовний LLM Readability Checker оцінює сторінку з погляду вилучення для AI, а Heading Structure Analyzer показує, чи анонсують ваші H2 і H3 питання, на які відповідають фрагменти.
Більшість NLP-проблем розв'язується в тексті, а не в інструменті. Ці правила випливають просто з конвеєра вище: кожне прибирає етап, на якому машина може помилитися.
Використовуйте повну назву головної сутності як підмет першого речення кожного розділу. Не починайте абзац із «Він» чи «Це». Займенники доречні всередині абзацу, коли іменник поруч.
Визначення, де вказано категорію (Y) і відмінну ознаку (Z), найлегше вилучити моделі й процитувати AI-асистенту. «Entity salience це оцінка від 0 до 1, яка показує, наскільки сутність центральна для тексту» краща за три речення контексту.
Ціни, дати, розміри, сумісність і обмеження мають стояти поруч із сутністю, яку описують. «Sorank відстежує видимість у ChatGPT, Gemini, Claude і Perplexity» це один факт, який можна вилучити. Та сама інформація, розкидана по заголовку, пункту списку й виносці, це три фрагменти.
Оберіть одну назву для кожного продукту, функції й поняття. Введіть синонім один раз («query fan-out, тобто те, як AI-асистенти розбивають питання на кілька пошуків») і далі тримайтеся однієї форми.
Під заголовком-питанням перше речення дає відповідь. Решта фрагмента дає умови, приклад і винятки. Саме це робить фрагмент самостійним.
Один абзац до і після NLP-переписування
Речення «після» ілюструє структуру й не описує реальний продукт: підставте властивості того, що ваша сторінка справді пропонує.
Python NLP для семантичного SEO означає запуск тієї самої моделі ембедингів, що й у тесті фрагментів вище, але для цілих списків: ваших ключових слів і сторінок сайту. Два короткі скрипти відповідають на запитання, яких не вирішує перевірка однієї сторінки. Які ключові слова належать до однієї сторінки? Які ваші сторінки конкурують за той самий зміст? Обидва працюють на вашому комп'ютері безкоштовно, і обидва дають кандидатів для перевірки, а не вердикти.
Встановіть бібліотеки у віртуальне середовище, щоб вони не конфліктували з іншими проєктами Python:
python3 -m venv nlp-seo
source nlp-seo/bin/activate
pip install sentence-transformers scikit-learn
Під час першого запуску модель all-MiniLM-L6-v2 завантажується один раз. Після цього обидва скрипти працюють офлайн.
Кластеризація перетворює плаский список ключових слів на групи, на які може відповісти одна сторінка. Кожне ключове слово стає вектором, і слова, чиї вектори близькі за косинусною відстанню, потрапляють в одну групу. Збережіть ключові слова у текстовий файл, по одному в рядку, і запустіть цей скрипт:
from sentence_transformers import SentenceTransformer
from sklearn.cluster import AgglomerativeClustering
from collections import defaultdict
keywords = [line.strip() for line in open("keywords.txt", encoding="utf-8") if line.strip()]
model = SentenceTransformer("all-MiniLM-L6-v2")
vectors = model.encode(keywords, normalize_embeddings=True)
labels = AgglomerativeClustering(
n_clusters=None,
distance_threshold=0.35, # косинусна відстань: менші значення дають суворіші групи
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)
Найважливіше налаштування: поріг. Почніть з 0.35 і перегляньте результат. Якщо в одній групі опинилися непов'язані ключові слова, зменште поріг. Якщо тема однієї сторінки розбита на кілька груп, підвищте його. Average linkage зменшує ефект ланцюга, коли низка слабко пов'язаних слів об'єднує дві непов'язані групи.
Другий скрипт порівнює ваші сторінки між собою. Розмістіть по одному рядку на сторінку у файлі з табуляцією та рядком заголовків, зі стовпцями url і title. Заголовки дають грубу оцінку, тож для точнішої перевірки вставте у стовпець title перший абзац кожної сторінки.
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: # відправна точка: скоригуйте після перегляду результатів
print(f"{score:.2f} {rows[i][0]} vs {rows[j][0]}")
Кожна виведена пара це кандидат, а не вердикт. Відкрийте обидві адреси й запитайте себе, чи очікував би читач, що одна зі сторінок відповість на питання іншої. Якщо так, об'єднайте дві сторінки або залиште одну основною, а в другої звузьте фокус. Запис про канібалізацію ключових слів пояснює, як вибрати.
| Скрипт | Вхідні дані | Результат | Що ви вирішуєте |
|---|---|---|---|
| Групи ключових слів | Одне ключове слово в рядку | Групи слів зі спільним змістом | Чи потрібна кожній групі одна сторінка чи кілька |
| Конкуруючі сторінки | URL і заголовок або перший абзац для кожної сторінки | Пари сторінок вище вашого порогу | Чи об'єднати, перефокусувати або залишити обидві сторінки |
Три обмеження мають значення:
Скрипти це аналог на рівні сайту для тесту фрагментів вище: один показує, що має бути разом, інший показує, де ваші сторінки перетинаються. Якщо ви не хочете підтримувати скрипти, Topic Cluster Generator виконує крок групування з вбудованою перевіркою на канібалізацію.
Мовні моделі читають не лише абзаци. Три елементи навколо тексту несуть сильні сигнали.
Розмітка Schema.org сама по собі не піднімає сторінку у видачі, але повідомляє в машинному форматі, про що сторінка і на які відомі поняття вона посилається. Властивості about і mentions з посиланнями sameAs на довідкові сторінки знімають неоднозначність під час зв'язування сутностей.
<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>
Створіть і перевірте власну розмітку за допомогою наших безкоштовних Schema Markup Generator і Structured Data Validator.
Заголовки модель використовує насамперед, щоб розбити сторінку на фрагменти. Заголовок, який називає сутність і питання («Як розраховується entity salience»), дає чистіший фрагмент, ніж дотепний («Під капотом»). Дотримуйтеся суворої ієрархії H2 і H3: жодного H3 без батьківського H2, без пропуску рівнів.
Анкорний текст один із найстаріших NLP-сигналів у пошуку: він ззовні повідомляє пошуковику, про що цільова сторінка. Використовуйте описові анкори, які називають цільову сутність, пов'язуйте близькі за змістом сторінки й не надсилайте той самий анкор на дві різні сторінки. Семантичний кокон найструктурованіший спосіб це організувати, а наш посібник з автоматичної внутрішньої перелінковки пояснює, як масштабувати її без шуму.
AI-асистенти доводять логіку NLP до межі. Вони ранжують не цілі сторінки: вони вилучають фрагменти, порівнюють їх за змістом із підзапитами й складають відповідь, яка іноді цитує джерело. Звідси три наслідки.
Повний метод у застосуванні до відповідей AI описано в нашому посібнику з оптимізації контенту для LLM.
Ці помилки ми найчастіше бачимо на сайтах під час аудиту. Кожна має помітний симптом і виправлення, яке можна зробити сьогодні.
Що це: переписувати текст, доки API не дасть ключовому слову високу salience або доки інструмент не покаже зелену оцінку. Як помітити: після оптимізації сторінка читається гірше; та сама фраза трапляється в кожному абзаці. Як виправити: використовуйте salience лише для перевірки порядку сутностей, а сторінку оцінюйте за відповідями й даними Search Console. Google ніколи не заявляв, що використовує оцінки цього API в ранжуванні.
Що це: додати «краулінговий бюджет» у речення, бо його згадують п'ятеро конкурентів. Як помітити: терміни трапляються один раз, поза контекстом і без пояснення. Як виправити: кожна відсутня сутність стає питанням: чи потрібно це моєму читачеві? Якщо так, напишіть фрагмент; якщо ні, пропустіть.
Що це: вставляти в NLP-інструмент усю сторінку разом із меню й футером. Як помітити: верхні сутності це назва бренду, «cookies», «контакти» або категорії з футера. Як виправити: перед будь-яким аналізом вилучайте лише основний текст статті.
Що це: слідувати старому посібнику з поточним ендпоінтом. Як помітити: у JSON-відповіді є entities і mentions, але немає salience. Як виправити: для salience викликайте /v1/documents:analyzeEntities і пам'ятайте, що v1 може змінитися.
Що це: абзаци, де «він», «це» і «вони» відсилають до іменників за кілька речень. Як помітити: скрипт spaCy вище рахує речення, що починаються із займенника; більше одного з п'яти на ключовій сторінці це тривожний знак. Як виправити: повторюйте іменник на початку кожного абзацу й після кожного заголовка.
Що це: один URL намагається водночас дати визначення поняттю, порівняти інструменти й продати продукт. Як помітити: сторінка ранжується за багатьма запитами на позиціях 15-40 і за жодним у топ-5. Як виправити: залиште домінантний намір, решту перенесіть на окремі сторінки й зв'яжіть їх посиланнями.
Що це: роздувати сторінку, щоб досягти цільової кількості слів або щільності ключових слів. Як помітити: повторювані вступи, загальні абзаци, які пасували б будь-якій сторінці. Як виправити: видаляйте кожен фрагмент, який не відповідає на питання, яке поставив би читач. Наш Keyword Density Calculator корисний навпаки: щоб знайти місця, де ви повторюєтеся надто часто.
Що це: використовувати назву бренду чи продукту, яку машина не може відрізнити від звичайного слова чи іншої компанії. Як помітити: API повертає ваш бренд як OTHER або CONSUMER_GOOD без метаданих або пов'язує його не з тим поняттям. Як виправити: додайте категорію поруч із назвою, використовуйте розмітку Organization або Product із sameAs на офіційні профілі й пишіть назву всюди однаково.
Чекліст NLP SEO для однієї сторінки
Великий набір інструментів не потрібен. Обирайте їх за питанням, на яке потрібна відповідь.
| Інструмент | Тип | Що показує | Потрібні навички | Найкраще застосування |
|---|---|---|---|---|
| Google Cloud Natural Language | Хмарний API (див. ціни Google Cloud) | Сутності, salience (v1), категорії, тональність, синтаксис | Середні: проєкт у Google Cloud і кілька команд | Перевірити, як модель Google читає ключові сторінки |
| spaCy | Бібліотека Python із відкритим кодом | Сутності, структура речень, підмети, леми | Базовий Python | Аудит багатьох сторінок локально й безкоштовно |
| Sentence Transformers | Бібліотека Python із відкритим кодом | Змістова схожість запитів і фрагментів | Базовий Python | Перевірка відповідей, канібалізація, карта внутрішніх посилань |
| Google Search Console | Безкоштовний інструмент Google | Запити, за якими реально показується кожен URL | Не потрібні | Виміряти ефект переписування |
| Інструменти оптимізації контенту | SaaS | Прогалини в термінах і сутностях щодо топу | Не потрібні | Швидка перевірка підтем перед написанням |
| Sorank | Сервіс SEO і GEO в режимі autopilot | Переписування, тематичні кластери, відстеження видимості в AI | Не потрібні | Застосувати метод до всього сайту |
Порівняння комерційних рішень ви знайдете в нашому огляді найкращих інструментів оптимізації контенту. Якщо потрібно виправити десятки старих сторінок, функція Sorank Content Optimization проводить аудит і переписує наявні сторінки в режимі autopilot, а Topic Cluster Generator групує ключові слова за змістом до написання тексту, з вбудованою перевіркою на канібалізацію.
Зміни в NLP стосуються розуміння, тому спершу вимірюйте розуміння, а потім трафік.
У звіті «Ефективність» Google Search Console відфільтруйте переписаний URL і порахуйте унікальні запити з показами за 28 днів до і після. Сторінка, яку розуміють краще, зазвичай протягом кількох тижнів починає показуватися за більшою кількістю низькочастотних варіантів, часто раніше, ніж зрушать кліки.
Відстежуйте 5-10 питань, які ви використовували в перевірці фрагментів. Якщо покази ростуть, а позиції ні, сторінку розуміють, але не віддають їй перевагу: працюйте над глибиною, прикладами й посиланнями.
Поставте ті самі промпти в ChatGPT, Gemini, Claude і Perplexity до і після й позначте, чи цитується ваша сторінка. Повторюйте щомісяця: відповіді AI змінюються від запуску до запуску, тому одна перевірка нічого не доводить. Для структурованої версії цієї перевірки проведіть семантичний SEO-аудит усього кластера, а не однієї сторінки.
Оберіть сторінку, яка приносить найбільше бізнесу, і проведіть на ній аудит із шести кроків. Виправте дві перші знайдені проблеми, зазвичай це недомінантна головна сутність і надто розмитий фрагмент-відповідь. Потім запишіть дату й через чотири тижні перевірте запити сторінки в Search Console.
NLP в SEO означає робити контент зрозумілим для мовних моделей: які сутності охоплює сторінка, на які питання відповідає кожен фрагмент і як сторінка пов'язана з рештою сайту. Google використовує мовні моделі на кшталт BERT у Пошуку з 2019 року, а AI-асистенти повністю на них побудовані, тому ясний і однозначний текст на практиці став фактором ранжування й цитування.
Жодна публічна заява Google не каже, що оцінка salience з Cloud Natural Language API використовується в ранжуванні. Ця оцінка корисна, щоб перевірити, чи домінує головна тема на сторінці, але дивіться на порядок сутностей, а не женіться за числом. Зважте, що salience повертає лише версія 1 API.
spaCy і Sentence Transformers це безкоштовні бібліотеки Python із відкритим кодом для вилучення сутностей і порівняння фрагментів. Безкоштовний Google Search Console потім показує, чи почала переписана сторінка показуватися за більшою кількістю запитів. Google Cloud Natural Language додає salience і категорії, використання оплачується за тарифами Google Cloud.
