Podobieństwo semantyczne treści mierzy, jak blisko siebie leżą znaczenia dwóch tekstów, najczęściej jako podobieństwo kosinusowe ich wektorów. Pomiar pozwala wykryć artykuły, które celują w różne frazy, ale konkurują o ten sam fragment w odpowiedzi modelu. Search Console tego nie pokaże, bo raportuje zapytania i adresy URL, a nie fragmenty wybierane przez systemy odzyskiwania.
W skrócie
- Porównuj sekcje, a nie całe artykuły: wektor całego tekstu uśrednia znaczenie i ukrywa pojedyncze zdublowane fragmenty.
- Wynik kosinusowy nie przenosi się między modelami, więc próg trzeba skalibrować na własnych parach tekstów.
- Wysoki wynik to sygnał do ręcznego przeglądu, nie wyrok. Krótka definicja powtórzona w klastrze jest normalna.
- Są trzy główne reakcje: scalenie, przepisanie fragmentu albo rozdzielenie intencji.
- Efekt zmian sprawdza się tym samym modelem i tym samym zestawem pytań testowych.
Dlaczego kanibalizacja w wyszukiwarce i w modelu to dwie różne rzeczy?
W wyszukiwarce konkurują całe adresy URL, a w systemie RAG konkurują fragmenty. Klasyczny objaw to dwa adresy rotujące na jedno zapytanie, a jego wykrywanie w Search Console opiera się na danych o zapytaniach i stronach. Model odpowiadający z wyszukiwarki działa inaczej: dzieli dokumenty na części, porównuje ich wektory z pytaniem i przekazuje dalej kilka najlepszych.
Dwa bliźniacze fragmenty mogą więc zająć dwa miejsca i wnieść tę samą informację. Jeśli system usuwa bliskie duplikaty, zostanie jeden z nich, niekoniecznie ten lepszy. Komercyjne silniki nie publikują swoich progów ani reguł, dlatego opisany tu pomiar szacuje ryzyko, a nie pozycję w konkretnej odpowiedzi.
| Cecha | Kanibalizacja w wyszukiwarce | Konkurencja o fragment |
|---|---|---|
| Jednostka | adres URL | sekcja lub akapit |
| Źródło danych | Search Console | własny indeks wektorowy |
| Objaw | rotacja adresów na jedno zapytanie | te same informacje w wielu fragmentach |
| Czy frazy muszą się pokrywać | tak, to samo zapytanie | nie, wystarczy zbieżne znaczenie |
Jak policzyć podobieństwo semantyczne treści krok po kroku?
Wystarczy jeden model embeddingów, tekst podzielony na sekcje i proste sortowanie par według wyniku. Więcej o tym, skąd biorą się wektory, opisuje poradnik o embeddingach wektorowych w SEO.
- Wyczyść tekst. Usuń menu, stopkę, biogram autora i bloki powtarzalne, bo sztucznie zawyżają podobieństwo każdej pary.
- Podziel artykuły na sekcje. Tnij po nagłówkach H2 i zachowaj nagłówek w treści sekcji, ponieważ niesie on kontekst.
- Wygeneruj wektory jednym modelem. Na przykład
text-embedding-3-smallod OpenAI (1536 wymiarów) albo otwartyparaphrase-multilingual-mpnet-base-v2(768 wymiarów), który obsługuje język polski. - Policz podobieństwo kosinusowe. Wzór to iloczyn skalarny wektorów podzielony przez iloczyn ich długości (zob. definicja cosine similarity). Wektory OpenAI są znormalizowane do długości 1, więc wystarczy sam iloczyn skalarny, co potwierdza dokumentacja OpenAI.
- Posortuj pary malejąco. Zapisz oba adresy, tytuły sekcji, wynik, nazwę modelu i datę pomiaru.
Przy 300 artykułach pełne porównanie daje 44 850 par dokumentów, a par sekcji jest wielokrotnie więcej. Dlatego zacznij od jednego klastra lub jednej kategorii i rozszerzaj zakres dopiero wtedy, gdy metoda daje użyteczne wyniki.
Jaki próg podobieństwa uznać za sygnał ostrzegawczy?
Nie ma uniwersalnego progu, bo ta sama para tekstów dostaje inne wyniki w różnych modelach. Wartość przepisana z cudzego poradnika może więc nie znaczyć nic w waszym indeksie. Próg ustala się przez kalibrację na trzech zestawach, po około 20 par w każdym:
- Pary niepowiązane: sekcje z odległych kategorii, które wyznaczają dolny poziom wyników.
- Zdrowe sąsiedztwo: sekcje z jednego klastra odpowiadające na różne pytania.
- Celowe parafrazy: ta sama sekcja przepisana innymi słowami, czyli wzorzec duplikatu.
Sygnał ostrzegawczy leży między zakresem drugiego a trzeciego zestawu. Jeśli te zakresy nachodzą na siebie, model słabo rozróżnia wasze teksty i warto przetestować inny, zanim zapadną jakiekolwiek decyzje redakcyjne.
| Wynik sekcji (przykład po kalibracji) | Interpretacja | Reakcja |
|---|---|---|
| poniżej 0,70 | różne informacje | brak działań |
| 0,70–0,85 | wspólny temat, często zdrowe sąsiedztwo | przegląd przy najwyższych wynikach |
| powyżej 0,85 | prawdopodobnie ta sama informacja | obowiązkowy przegląd ręczny |
Te liczby to ilustracja układu progów, a nie branżowy standard. Własne granice mogą leżeć wyraźnie wyżej lub niżej, szczególnie po zmianie modelu.
Na wynik wpływa także długość tekstu. Krótkie sekcje, na przykład same definicje, zawierają mało dodatkowych informacji i łatwiej osiągają wysokie wartości, dlatego pary o bardzo nierównej długości warto oceniać ostrożniej.
Dlaczego porównywać sekcje zamiast całych artykułów?
Wektor całego artykułu uśrednia wiele wątków, więc może zawieść w obie strony. Dwa teksty z tego samego klastra mogą dostać wysoki wynik, choć każda sekcja wnosi coś innego. Z kolei jeden zdublowany akapit w długim tekście prawie nie zmieni wyniku całości.
Porównanie sekcji tworzy macierz: artykuły z 8 i 9 sekcjami dają 72 porównania. Z każdej macierzy warto odczytać dwie liczby, czyli najwyższy wynik oraz liczbę par powyżej progu. Pierwsza wskazuje najbliższy duplikat, druga pokazuje, czy problem dotyczy jednego akapitu, czy całego tekstu.
Przykład poglądowy: artykuł o cenach audytu SEO i poradnik wyboru agencji mają różne frazy główne i różne intencje, ale oba zawierają sekcję o kosztach audytu z tymi samymi widełkami. Wektory całych tekstów nie muszą tego ujawnić, natomiast w macierzy jedna para wyraźnie odstaje od reszty. Pełne omówienie zostaje wtedy w pierwszym tekście, a drugi dostaje dwa zdania i link.
Granice sekcji powinny przypominać podział używany przy indeksowaniu. Zasady opisuje artykuł o chunkingu treści pod RAG, bo zbyt długi fragment znów uśrednia znaczenie.
Kiedy scalić artykuły, kiedy przepisać fragment, a kiedy rozdzielić intencje?
Decyzja zależy od liczby nakładających się sekcji i od tego, czy oba teksty służą temu samemu zadaniu czytelnika. Część powtórzeń jest pożądana: klastry budujące topical authority muszą dzielić pojęcia i terminologię.
| Sytuacja | Decyzja | Co zrobić |
|---|---|---|
| Większość sekcji powyżej progu, ta sama intencja | scalić | Połącz teksty, ustaw przekierowanie 301 i zaktualizuj linki wewnętrzne. |
| Jedna lub dwie sekcje powyżej progu | przepisać fragment | Zostaw pełną wersję w lepszym tekście, w drugim daj skrót z linkiem. |
| Wysoki wynik, inna grupa czytelników lub inne zadanie | rozdzielić intencje | Zmień kąt, dane i przykłady, aby każdy fragment wnosił własną wartość. |
| Wysoki wynik tylko na definicji lub elemencie stałym | zostawić | Skróć definicję do 1–2 zdań i zachowaj jedno pełne omówienie. |
Przed scaleniem sprawdź ruch i linki zewnętrzne obu adresów. Sam wynik semantyczny nie uzasadnia usunięcia strony, która pozyskuje wejścia.
Kolejkę napraw najlepiej ustawić według znaczenia stron, a nie samego wyniku. Najpierw idą pary, w których przynajmniej jeden adres ma ruch, linki zewnętrzne lub rolę w lejku sprzedaży. Para dwóch nieodwiedzanych tekstów z wynikiem 0,90 może poczekać.
Jak sprawdzić efekt po zmianie?
Efekt mierzy się w trzech warstwach: wynik podobieństwa, test odzyskiwania i dane o ruchu. Pomiar wyjściowy trzeba zapisać przed pierwszą edycją, ponieważ później nie da się go odtworzyć bez archiwalnej wersji tekstu. Pomiar musi używać tego samego modelu i tego samego podziału na sekcje co punkt wyjścia, bo zmiana któregokolwiek z nich unieważnia porównanie.
- Podobieństwo: policz ponownie wynik poprawionej pary i potwierdź spadek poniżej waszego progu.
- Test odzyskiwania: przygotuj 20–30 pytań z przypisanym oczekiwanym adresem, a potem sprawdzaj pięć najlepszych fragmentów. Liczą się trafienia oraz liczba fragmentów powtarzających tę samą informację.
- Dane zewnętrzne: po scaleniu porównaj okresy 28-dniowe w Search Console, a cytowania w modelach próbkuj wielokrotnie, bo odpowiedzi różnią się między uruchomieniami.
Najczęstsze błędy przy pomiarze podobieństwa
- Liczenie na surowym HTML lub z szablonem strony, przez co wszystkie pary wyglądają na podobne.
- Porównywanie wyników uzyskanych różnymi modelami lub różnymi wersjami modelu.
- Automatyczne scalanie par powyżej progu, bez czytania tekstów i bez sprawdzenia ruchu.
- Pomijanie tabel i list, które często zawierają najbardziej cytowalne dane.
Co dalej po pierwszym pomiarze?
Dobry pierwszy krok to analiza jednego klastra liczącego 10–20 artykułów i ręczny przegląd około 20 najwyżej ocenionych par. Taki przebieg pokazuje, czy próg jest dobrze ustawiony, i daje listę konkretnych zmian redakcyjnych. Dopiero potem warto rozszerzać pomiar na cały serwis lub włączać go do kontroli przed publikacją.
FAQ: podobieństwo semantyczne treści
Czym podobieństwo semantyczne różni się od wykrywania duplikatów?
Narzędzia do wykrywania duplikatów szukają głównie takich samych ciągów słów. Podobieństwo semantyczne porównuje znaczenie zapisane w wektorach, więc wychwytuje też parafrazę bez wspólnych zdań. Do pełnego przeglądu warto łączyć obie metody, bo pierwsza znajduje kopie, a druga teksty przepisane własnymi słowami.
Czy do pomiaru trzeba umieć programować?
Podstawowa znajomość Pythona lub gotowy notatnik w zupełności wystarczą. Sam kod sprowadza się do pobrania wektorów z API lub modelu lokalnego, a następnie policzenia podobieństwa i sortowania par. Więcej czasu zwykle zajmuje oczyszczenie tekstu i ręczny przegląd wyników niż samo liczenie.
Jak często powtarzać analizę?
Rozsądny rytm to przegląd kwartalny oraz kontrola przed publikacją tekstu w gęstym klastrze. Nowy szkic można porównać z istniejącym indeksem, zanim trafi na stronę, co jest tańsze niż późniejsze scalanie. Przy zmianie modelu trzeba wygenerować wektory od nowa i ponownie skalibrować próg.
Czy wysokie podobieństwo zaszkodzi pozycjom w Google?
Sam wynik kosinusowy z własnego indeksu nie jest sygnałem rankingowym, tylko diagnozą nakładania się treści. O kanibalizacji w Google świadczą dane o zapytaniach i adresach w Search Console. Dwa bardzo podobne teksty warto przejrzeć, ale pozycji nie należy wiązać z samą liczbą bez takiego potwierdzenia.
Czy polskie teksty wymagają specjalnego modelu?
Model musi dobrze obsługiwać język polski, ale nie musi być tworzony wyłącznie dla niego. Najlepszym sprawdzianem jest opisana wyżej kalibracja na trzech zestawach par. Jeśli model wyraźnie oddziela celowe parafrazy od zdrowego sąsiedztwa, nadaje się do tej analizy, niezależnie od pozycji w ogólnych rankingach.