Vettore: misurare la pertinenza semantica di una pagina con embedding e similarità del coseno

Come misurare la pertinenza semantica di una pagina rispetto a keyword e concorrenti: embedding, similarità del coseno e termini mancanti.

·

in
Vettore: confronto semantico tra una pagina e i concorrenti con embedding e similarità del coseno

In breve

La pertinenza semantica di una pagina si misura trasformando keyword e testi in embedding e confrontandoli con la similarità del coseno. Vettore, il tool che ho sviluppato, lo fa in locale su title, H1 e contenuto, combina i punteggi (30% title, 20% H1, 50% contenuto) e mostra i termini che i concorrenti usano e la tua pagina no.

Cosa faClassifica fino a 50 pagine per fino a 20 keyword, per significato e non solo per parole esatte
ProviderLocale e gratuito (modello multilingue) oppure OpenAI
EstrazioneMozilla Readability, la stessa tecnologia della «modalità lettura» di Firefox
Punteggio30% title + 20% H1 + 50% contenuto
StackNode.js, Express, transformers.js, frontend HTML/JS senza build
Nasce daUn flusso con Google Sheets, Screaming Frog e Apps Script, ora tutto in un unico strumento

Che cos’è un embedding?

Un embedding è una lista di numeri che rappresenta il significato di un testo. Testi con significati simili producono vettori vicini, anche se usano parole diverse: «auto usata» e «macchina di seconda mano» finiscono vicini, mentre il conteggio delle parole chiave li considererebbe diversi.

Che cos’è la similarità del coseno?

È la misura dell’angolo tra due vettori: vale 1 quando puntano nella stessa direzione e scende man mano che i significati si allontanano. Non dipende dalla lunghezza del testo, solo dalla direzione, e per questo è la misura più usata per confrontare embedding.

Come funziona Vettore, passo per passo?

  1. Input: fino a 20 keyword, la tua pagina (facoltativa), fino a 50 pagine da confrontare e quante mostrarne per keyword.
  2. Download ed estrazione: da ogni pagina si estraggono title, H1 e contenuto principale; se una URL non si scarica, viene segnalata e si va avanti.
  3. Embedding: keyword, title, H1 e blocchi di contenuto diventano vettori, in un’unica chiamata.
  4. Punteggi: per ogni coppia keyword–pagina si calcola la similarità con title, H1 e contenuto (per il contenuto vale il blocco migliore).
  5. Punteggio complessivo: 30% title + 20% H1 + 50% contenuto.
  6. Termini mancanti: si confronta la frequenza di parole e coppie di parole tra la tua pagina e il miglior concorrente.

Modello locale o API: quale scegliere?

Locale (gratuito)OpenAI
Modelloparaphrase-multilingual-MiniLM-L12-v2text-embedding-3-small o large
CostoZero, dopo un download di circa 110 MBA consumo, molto basso
Lunghezza del testoCirca 128 token: contenuto diviso in blocchi da ~70 parole, massimo 6Fino a 8.192 token
DatiRestano sul computerInviati al servizio
Quando usarloAnalisi frequenti, contenuti riservatiPagine lunghe, massima precisione

Come si leggono i punteggi?

  • In modo relativo: quale pagina è più vicina alla keyword rispetto alle altre, non come un voto assoluto.
  • I valori raramente superano 0,7–0,8, anche per contenuti molto pertinenti.
  • Il punteggio non è un fattore di ranking: indica dove il contenuto è debole rispetto a ciò che gli utenti trovano altrove.

Quali sono i limiti?

  • Con il modello locale si analizzano al massimo le prime 400–500 parole del contenuto.
  • L’analisi dei termini mancanti è lessicale: «scarpa» e «scarpe» contano come termini diversi.
  • Paywall, protezioni anti-bot e pagine che mostrano il testo solo con JavaScript possono non essere leggibili.

Cosa può fare per un’azienda

L’analisi semantica aiuta a decidere dove intervenire sui contenuti, con dati invece di impressioni:

  • audit dei contenuti rispetto ai concorrenti che si posizionano meglio;
  • scelta della pagina giusta per una keyword, evitando la cannibalizzazione;
  • brief editoriali con i concetti da coprire;
  • verifica prima e dopo una riscrittura.

Se stai valutando qualcosa di simile per la tua organizzazione, raccontami il tuo caso: partiamo dalle domande a cui deve rispondere, non dalla tecnologia.

Cosa ho imparato

  • Il significato si può misurare, ma il numero va letto in relazione agli altri, non da solo.
  • Con un modello locale piccolo bisogna rispettare il limite di token: dividere il testo in blocchi e tenere il migliore è un compromesso semplice ed efficace.
  • Title e H1 sono pochi caratteri, ma sono segnali forti: per questo hanno un peso separato.

Domande frequenti

Che cos’è la similarità del coseno nella SEO?

È una misura, da 0 a 1 nei casi pratici, di quanto due testi sono vicini per significato una volta trasformati in embedding. Nella SEO si usa per confrontare una pagina con una keyword o con le pagine concorrenti.

La similarità semantica è un fattore di ranking di Google?

No, non direttamente: è uno strumento di analisi per capire se un contenuto copre davvero l’argomento della ricerca, rispetto a ciò che già si posiziona.

Serve una chiave API per usare gli embedding?

No: un modello multilingue locale come paraphrase-multilingual-MiniLM-L12-v2 funziona sul proprio computer senza costi, con il limite di circa 128 token per testo.

Fonti e riferimenti

Scritto da

Stefano Manco

Dal 2004 tra comunicazione, UX e front-end, SEO tecnica e analytics; oggi sperimento con AI, LLM e applicazioni basate sui dati.