​Как быть заметным одновременно в поисковиках и LLM (часть 1/2)?

​Как быть заметным одновременно в поисковиках и LLM (часть 1/2)?

Вам нужны семантика и SEO.

Позвольте представить вам Tratos, моего клиента из индустрии промышленных кабелей, пишет Джанлука Фиорелли.

Моя SEO-стратегия обычно следует таким тактическим шагам:

1. Определение онтологии домена клиента (промышленные кабели).

2. Определение связанных сущностей (обслуживаемые отрасли, такие как горнодобывающая промышленность, телеком, поставщики энергии, продукты и компоненты).

3. Использование Google как инструмента для получения запросов, связанных с нашими сидами сущностей, из таких функций как фильтры по темам, People Also Ask, People Also Search for и т.д.

4. Проведение анализа распознавания именованных сущностей (Named Entity Recognition) для запросов из СЕРПов Google.

5. Определение таксономии на основе поиска по сущностям.

6. Анализ путей поиска целевой аудитории (обнаружение, оценка и принятие решений)

7. Кластеризация фаз поискового пути через внутреннюю перелинковку, усиление тематического авторитета.

8. Проведение анализа эмбеддингов и косинусной близости для выявления контентных пробелов.

9. Использование этих инсайтов для обновления существующего контента и создания нового, с фокусом на значимость сущностей и ясность языка.

Дополнительный пункт включает анализ СЕРПов для понимания паттернов отображения Google для наших важных сущностей и запросов, что влияет на форматирование контента с изображениями, видео или специфическим форматированием текста.

Благодаря этой методологии, сфокусированной на семантике, видимость Tratos стабильно и значительно увеличилась.

Они начали конкурировать за запросы типа "[тип кабеля]" и "[тип кабеля] + manufacturer", а также за более общие информационные запросы, связанные с промышленными кабелями, например "What is voltage rating".

Их видимость расширилась в избранных сниппетах, People Also Ask, Things to Know, блоках изображений в поиске и даже в брендированных People Also Search For.

Что важно, их семантически оптимизированный контент, сгруппированный в тематические хабы, стал видимым для многих вариаций запросов, которые не были явно таргетированы.

Затем мы заметили, что контент сайта постоянно цитировался и на него ссылались как на источники для ответов `LLM, связанных с темами промышленных кабелей, в ChatGPT, Perplexity, Gemini и AI Overview.

`

Так как же это произошло без специальных действий по оптимизации для LLM?

Ответ — семантика.

Понимание причин видимости сайта в LLM

Большая языковая модель (LLM) похожа на суперзаряженную функцию автозаполнения, прогнозирующую и генерирующую текст на основе паттернов, изученных из огромных объемов текста.

Она выбирает слова на основе вероятности, разбивая предложения на более мелкие части, анализируя контекст и вычисляя вероятность следующего слова.

Поиск по сущностям

Поиск по сущностям — ключевой фактор того, как LLM понимают контекст.

Сущность — это любой конкретный человек, место, вещь или концепция, которая даёт контекст языку.

Когда задается вопрос, LLM идентифицируют ключевые сущности и их взаимоотношения, используя контекст для устранения неоднозначности.

Классическое SEO фокусировалось на ключевых словах, но LLM и современные поисковые системы выходят за рамки совпадения ключевых слов, чтобы понять значение через сущности и взаимоотношения.

SEO на основе сущностей оптимизирует контент, чтобы поисковые системы и LLM понимали:

— Форматирование контента (формат обзора, формат списка и т.д.)

— Значимость сущностей (обсуждение связанных концепций)

— Чёткие контекстуальные сигналы (например, геолокализация)

Эмбеддинги

Эмбеддинги позволяют LLM "понимать" язык и контекст в масштабе.

Они преобразуют слова, фразы и сущности в математические представления (векторы), которые отражают их значение и взаимоотношения.

Похожие значения группируются близко друг к другу в этом многомерном пространстве.

Конец 1-ой части.

Продолжение следует...

@MikeBlazerX

Источник новости https://t.me/mikeblazerx/4878...