#11-Возможности внутренних ссылок с попомощью векторных эмбеддингов. Правка

Первый пост в разделе "Практические примеры"

Опытный Reddit-маркетолог делится, что действительно работает

Идентификатор ссылки (англ.)	pervyy-post-v-razdele-prakticheskie-primery
Статус:	Активен

Описание:

Идентификатор ссылки (англ.)	what-works-on-the-reddit-platform
Статус:	Активен

Описание

'#8. Посты : posts';

'Blog_PostController_actionUpdate_';

'#blog_post_update';

Возможности внутренних ссылок с попомощью векторных эмбеддингов. Правка

Активен

Почистить кэш постов Экспресс-правка Разметка ред. Summernote ред. Quill ред. CKEditor ред. Trumbowyg ред. Imperavi ред. Jodit

Общая информация

Сменить блог

Название

Рейтинг SEO (от 1 до 100)

Всего знаков в посте: 7078

id (статус)	545 (3)
Идентификатор ссылки (англ.)	found-internal-linking-opportunities-with-vector-embeddings
Сайт (ID сайта)	. #3
Смотреть на сайте	https://panel25.seowebdev.ru/posts/seo-optimization/found-internal-linking-opportunities-with-vector-embeddings/
Время последнего обновления	03-10-2025 в 13:55:46
Ссылка в БД	https://panel25.seowebdev.ru/seowebdev.ru/posts/seo-optimization/found-internal-linking-opportunities-with-vector-embeddings/
Картинка	https://static.seowebdev.ru/cache/8/545-found-internal-linking-opportunities-with-vector-embeddings_col-12.webp

Текст поста

Ключевое слово отсутствует

Полный текст < > & " ' « » – — … • · ← → ↑ ↓ ↔

Валюты: € £ ¥ ¢

Типографика: § ¶ ° ± × ÷

Дроби: ½ ⅓ ⅔ ¼ ¾ ⅛ ⅜ ⅝ ⅞

Греческие: α β γ δ ε λ μ π σ ω Δ Σ Ω

Математические: ≈ ≠ ≤ ≥ ∞ √ ∑ ∫ ∂ ∇

<h3>Содержание</h3>
<ul>
<li>Что понадобится для работы</li>
<li>Шаг 1: Получение OpenAI API ключа</li>
<li>Шаг 2: Настройка и запуск Screaming Frog</li>
<li>Шаг 3: Экспорт векторных эмбеддингов и всех внутренних ссылок</li>
<li>Шаг 4: Очистка и форматирование данных</li>
<li>Шаг 5: Импорт подготовленного файла</li>
<li>Шаг 6: Построение внутренних ссылок</li>
<li>Заключение: создание связной структуры внутренних ссылок с помощью эмбеддингов</li>
<li>Шаблоны и ресурсы</li>
</ul>
<p>Когда я впервые прочитал статью Майка Кинга о векторных эмбеддингах, честно говоря, меня это немного напугало. Концепции казались слишком сложными, а применение для SEO &ndash; запутанным. Но с новыми функциями Screaming Frog и отличным гайдом от Гаса Пелоджи я понял, что это мощный инструмент для построения внутренних ссылок.</p>
<p>Опираясь на эти материалы, я решил написать пошаговое руководство, которое поможет даже тем, кто никогда не работал с Python или векторными эмбеддингами. В этой статье я расскажу, как я использовал этот метод для поиска возможностей внутренних ссылок в большом масштабе, и как вы сможете применить его в своей SEO-стратегии.</p>
<h2>Что понадобится для работы</h2>
<p>Для всего процесса мне пригодились:</p>
<ul>
<li>Screaming Frog</li>
<li>OpenAI API ключ</li>
<li>Google Sheets или Excel</li>
</ul>
<p>В итоге у меня получилась таблица, в которой:</p>
<ul>
<li>В колонке A &ndash; все важные URL сайта (целевые страницы);</li>
<li>Во второй колонке &ndash; страницы, которые ссылаются на эти URL (без навигационных ссылок);</li>
<li>Для каждой целевой страницы показаны 5 наиболее близких по смыслу страниц (по косинусному сходству);</li>
<li>Отмечены те страницы, которые должны ссылаться на целевой URL, но не делают этого.</li>
</ul>
<h2>Шаг 1: Получение OpenAI API ключа</h2>
<p>Я зашел на сайт OpenAI, создал новый секретный ключ и скопировал его, чтобы использовать в Screaming Frog.</p>
<h2>Шаг 2: Настройка и запуск Screaming Frog</h2>
<p>Я загрузил готовый конфигурационный файл для Screaming Frog. После этого открыл вкладку API, выбрал OpenAI и вставил свой API ключ.</p>
<p>Затем переключился на &laquo;Prompt Configuration&raquo;, выбрал &laquo;Extract embeddings from page content&raquo; и добавил скрипт из библиотеки. Это позволило Screaming Frog извлекать векторные данные для анализа.</p>
<p>Когда в разделе &laquo;Custom Extraction&raquo; появились числовые значения, я понял, что всё работает правильно.</p>
<h2>Шаг 3: Экспорт эмбеддингов и всех внутренних ссылок</h2>
<ul>
<li>Сначала я сохранил результаты краулинга.</li>
<li>Экспортировал все внутренние ссылки (файл all_inlinks.csv).</li>
<li>Затем выгрузил результаты кастомного скрипта с эмбеддингами.</li>
</ul>
<h2>Шаг 4: Очистка и форматирование данных</h2>
<p>Я воспользовался удобным скриптом на Google Colab от Бриттни Мюллер. Нужно просто загрузить два файла, и скрипт автоматически приведет всё в порядок.</p>
<p>Если возникали ошибки (например, пустая ячейка в колонке Embeddings), я вручную исправлял файл и запускал скрипт заново.</p>
<h2>Шаг 5: Импорт подготовленного файла</h2>
<p>Готовый файл я импортировал в Google Sheets. XLSX-версия удобнее, так как сохраняется условное форматирование.</p>
<p>Теперь в таблице для каждой целевой страницы отображались топ-5 релевантных страниц и отметка, есть ли ссылка на целевой URL.</p>
<h2>Шаг 6: Построение внутренних ссылок</h2>
<ol>
<li>Я искал розовые ячейки в таблице &ndash; они показывали, где ссылки отсутствуют.</li>
<li>Открывал такие страницы и добавлял релевантные внутренние ссылки на целевые URL.</li>
<li>Использовал осмысленный анкор-текст, связанный с содержанием.</li>
<li>В первую очередь прорабатывал страницы с высоким трафиком.</li>
</ol>
<h2>Заключение: создание связной структуры</h2>
<p>Благодаря этому процессу я смог превратить работу с внутренними ссылками в структурированную стратегию. Это не только улучшило SEO-результаты, но и помогло пользователям быстрее находить нужные страницы.</p>
<p>После применения метода на одном клиентском сайте я был удивлен: оказалось, что мы пропустили сотни возможностей. Векторные эмбеддинги помогли найти новые связи между страницами, устранить каннибализацию ключевых слов и улучшить общую архитектуру сайта.</p>

Скопировано в буфер!

Вставлено из буфера!

Возможности внутренних ссылок с попомощью векторных эмбеддингов. Правка

Дополнительные символы