Vektör embedding’leri, metin, görsel veya diğer içeriklerin benzer anlamlarını matematiksel bir uzayda birbirine yakın yerleştiren sayısal temsillerdir. Vektör veritabanları bu temsilleri ölçekli bir şekilde saklar ve arar. SEO için bunların önemi, arama motorlarının ve yapay zeka yanıt sistemlerinin içeriği tam anahtar kelime eşleşmesinden ziyade anlama göre getirmesidir; bu da ifadeleri tekrarlayan sayfalardan ziyade bir konuyu açık ve spesifik bir şekilde ele alan sayfaları ödüllendirir.
Bu ani bir değişiklik değil. Google, BERT ve MUM gibi kamuoyuna açıkladığı sistemlerle yıllardır sıralamada dil modellerini kullanıyor. Değişen şey, birçok yapay zeka yanıtının arkasındaki yöntem olan ‘retrieval-augmented generation’ın (erişimle artırılmış üretim) anlamsal erişimi merkeze koymasıdır: bir sistem, embedding benzerliği ile pasajları bulur ve ardından bunlardan bir yanıt yazar.
Embedding tam olarak nedir?
Bir embedding modeli bir metin parçasını okur ve genellikle yüzlerce veya binlerce uzunlukta bir sayı listesi çıktısı verir. Aynı fikir hakkındaki iki pasaj, çok az kelime paylaşsalar bile benzer listeler üretir. ‘Müşteri başına maliyetimi nasıl düşürürüm’ gibi bir soru ile ‘müşteri edinme maliyetini düşürme’ hakkındaki bir paragraf birbirine yakın sonuçlanır.
OpenAI, Google, Cohere ve açık kaynaklı projeler gibi sağlayıcılar embedding modelleri sunar. Pinecone, Weaviate, Qdrant, Milvus, PostgreSQL için pgvector ve Elasticsearch gibi vektör veritabanları ve arama motorları bu vektörleri saklar ve bir sorguya en yakın olanları hızla bulur.
Embedding’ler organik görünürlüğü nasıl etkiler?
- Anlam, kelime seçiminden üstündür: eş anlamlılar ve ifadeler eşleştirilir, bu nedenle tam ifadelerle doldurma yapmak çok az fayda sağlar.
- Pasajlar önemlidir: erişim genellikle bir sayfanın bölümleri üzerinde çalışır, bu nedenle her bölüm kendi başına anlamlı olmalıdır.
- Konu odaklılık yardımcı olur: bir konuyu açıkça ele alan bir sayfa, beş konuyu karıştıran bir sayfadan daha temiz embedding’ler üretir.
- Spesifikler öne çıkar: somut adımlar ve tanımlar, genel ifadelerden ziyade ayrıntılı sorularla eşleşme olasılığı daha yüksektir.
- İnce kopyalar birbiriyle rekabet eder: neredeyse aynı sayfalar vektör uzayında yakın sonuçlanır ve birbirini zayıflatır.
Bunların hiçbiri bağlantılar, taranabilirlik ve sayfa deneyimi gibi klasik sinyallerin yerini almaz. Embedding tabanlı erişim, hangi pasajların alakalı olduğuna karar verir; diğer sistemler hangi kaynakların güvenilir olduğuna ve gösterildiğine karar vermeye devam eder.
Parçalara ayırma (chunking) yazma şeklinizi değiştirir mi?
Birçok yapay zeka erişim sistemi, sayfaları embedding’e almadan önce birkaç yüz kelimelik parçalara böler. Üç paragraf önceki bağlama dayanan bir bölüm, bu bağlam olmadan getirilebilir ve anlamını kaybedebilir. Her bölümün konusunun net bir ifadesiyle başlayacak şekilde yazmak, hem insan okuyuculara hem de makine erişimine yardımcı olur.
- Her bölüme konuyu açıkça adlandıran bir cümleyle başlayın.
- Referans başka bir bölümdeyse, bir bölümün başında ‘bu’ veya ‘o’ gibi zamirlerden kaçının.
- Tanımları, terimlerin ilk kullanıldığı yere yakın tutun.
- Akıllı ifadeler değil, içeriği tanımlayan başlıklar kullanın.
SEO ekipleri embedding’leri kendileri nasıl kullanabilir?
Embedding’ler sadece arama motorlarının kullandığı bir şey değil, aynı zamanda yararlı denetim araçlarıdır. Sitenizin bir taraması ve bir embedding modeli ile her sayfayı diğer tüm sayfalarla ve hedef sorgularla karşılaştırabilirsiniz.
Pratik denetim kullanımları
- Yamyamlık (cannibalization) kontrolleri: aynı niyeti hedefleyen çok yüksek benzerliğe sahip sayfa çiftlerini bulun.
- İç bağlantı: anlamca yakın olan ancak henüz bağlanmamış sayfalar arasında bağlantılar önerin.
- İçerik boşlukları: bir müşteri soruları listesini embedding’e alın ve sitede yakın sayfası olmayanları bulun.
- Kümeleme (clustering): konu merkezlerini planlamak için binlerce anahtar kelimeyi anlama göre gruplandırın.
- Yönlendirme haritalama: bir geçiş sırasında eski URL’leri en benzer yeni sayfayla eşleştirin.
Screaming Frog’un SEO Spider’ı, yapay zeka sağlayıcılarıyla entegrasyonu sayesinde tarama sırasında embedding’ler oluşturabilir ve birçok ekip bir embedding API’si ve bir elektronik tablo ile kısa Python betikleri kullanır. Birkaç bin sayfalık bir site için pgvector veya hatta bellek içi benzerlik ile basit bir kurulum yeterlidir; özel bir vektör veritabanı daha büyük ölçekte veya canlı uygulamalar için yararlı hale gelir.
Embedding tabanlı analizin sınırları nelerdir?
Benzerlik puanları mutlak değil, görelidir. Bir model için ‘neredeyse kopya’ anlamına gelen bir puan, diğeri için ‘gevşek ilişkili’ anlamına gelebilir, bu nedenle eşiklerin kendi sitenizden bilinen örneklerde test edilmesi gerekir. Embedding’ler kaliteyi de göz ardı eder: aynı konuda kötü yazılmış bir sayfa ve mükemmel bir sayfa neredeyse aynı puanı alabilir. Bunları inceleme adaylarını bulmak için kullanın, ardından kararı bir insana bırakın.
Metin embedding’leri için maliyetler genellikle düşüktür, ancak sayfa sayısı ve tekrarlanan çalıştırmalarla artar. Sonuçları saklayın, böylece değişmemiş sayfaları her ay tekrar embedding’e almazsınız.
Alien Road vektör veritabanlarını ve embedding’leri nasıl uygular
Tipik bir çalışmada keşif, tam bir tarama ve müşterinin hedef sorgularının ve arama verileri ile satış notlarından elde edilen müşteri sorularının dışa aktarımı ile başlar. Hepsi aynı modelle embedding’e alınır, böylece sayfalar ve sorular tek bir uzayda karşılaştırılabilir.
Kurulum üç çalışma listesi üretir: birbirini yamyamlaştırabilecek sayfa çiftleri, eşleşen sayfası olmayan sorular ve iç bağlantı önerileri. Her liste, sitede herhangi bir şey değişmeden önce bir SEO uzmanı tarafından gözden geçirilir, çünkü benzerlik tek başına bir sorunu kanıtlamaz.
Ölçüm, değiştirilen sayfaları, etkilenen sorgular için Search Console gösterimlerini ve tıklamalarını ve birleştirilen sayfaların görünürlük kazanıp kazanmadığını izler. Analiz, saklanan embedding’ler kullanılarak üç ayda bir tekrarlanır, böylece yalnızca yeni veya düzenlenmiş sayfalar işlenir.
SEO çalışması için bir vektör veritabanına ihtiyacınız var mı?
Genellikle başta hayır. Birkaç bin sayfalık tek seferlik bir denetim için embedding’ler bir CSV dosyasında yaşayabilir ve benzerlik Python’da birkaç satır kodla hesaplanabilir. Bir vektör veritabanı, analizi sık sık tekrarladığınızda, on binlerce sayfanız olduğunda veya site içi anlamsal arama veya içeriğinizden yanıt veren bir destek asistanı gibi canlı bir özellik oluşturduğunuzda yararlı hale gelir.
Bu hafta nereden başlamalı
En önemli elli sayfanızı ve elli gerçek müşteri sorunuzu alın. Her ikisini de herhangi bir embedding API’si ile embedding’e alın ve benzerliği bir elektronik tabloda veya kısa bir betikte hesaplayın.
- Hangi soruların seçtiğiniz benzerlik eşiğinin üzerinde bir sayfası olmadığını kontrol edin.
- Hangi sayfa çiftlerinin neredeyse aynı olduğunu kontrol edin.
- İlk beş bulguyu elle gözden geçirin.
- Bir boşluğu ve bir örtüşmeyi düzeltin, ardından önümüzdeki haftalarda Search Console’da ölçün.
Amaç vektörler için yazmak değildir. Amaç, arama sistemlerinin kullandığı aynı merceği kullanarak içeriğinizin nerede belirsiz, tekrarlayıcı veya eksik olduğunu görmektir.
Okumaya devam edin: Yapay Zekâ Optimizasyonu · Yapay Zekâ Optimizasyonu