SEO Python ile Semantic Similarity Nasıl Hesaplanır?
Python kullanarak SEO çalışmalarında içeriklerin semantic similarity (anlamsal benzerliği) seviyelerini ölçmek, içeriklerin özgünlüğünü ve alaka düzeyini değerlendirmek açısından oldukça önemli hale geldi. Bu yöntem, sadece anahtar kelime yoğunluğuna dayalı değil, aynı zamanda içeriklerin anlamsal yapısına odaklanır. İşte bu süreci adım adım inceleyelim.
İlk olarak, semantic similarity hesaplamanın temelinde doğal dil işleme (NLP) algoritmaları yatar. En yaygın kullanılan yöntemlerden biri, transformer tabanlı modellerle elde edilen gömme (embedding) vektörlerdir. BERT, RoBERTa gibi modeller, içerikleri sayısal vektörlere dönüştürerek, aralarındaki kosinüs benzerliği veya başka mesafe ölçüleriyle kıyaslamaya imkan sağlar.
İkinci aşamada, Python'da bu modelleri kullanmak için Hugging Face'in transformers kütüphanesi oldukça elverişlidir. Örneğin, aşağıda temel bir örnek ile iki metnin semantic similarity’sini hesaplayabiliriz:
1234567891011121314151617181920212223
from transformers import AutoModel, AutoTokenizer
import torch
model_name = 'bert-base-uncased'
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModel.from_pretrained(model_name)
def get_embedding(text):
inputs = tokenizer(text, return_tensors='pt', truncation=True, max_length=512)
outputs = model(**inputs)
# Son katman çıkışlarının ortalamasını alıyoruz
embeddings = outputs.last_hidden_state.mean(dim=1)
return embeddings.detach()
metin1 = "SEO optimizasyonu için içerik analizi"
metin2 = "Arama motoru optimizasyonu ve içerik değerlendirmesi"
emb1 = get_embedding(metin1)
emb2 = get_embedding(metin2)
cosine_similarity = torch.nn.functional.cosine_similarity(emb1, emb2)
print(f"Semantic Similarity: {cosine_similarity.item():.4f}")
Bu örnekte, iki farklı metnin gömme vektörleri çıkarıldıktan sonra, kosinüs benzerliği hesaplanır. Değer 1'e yakınsa içerikler yüksek oranda anlamsal olarak benzerdir; 0 civarında ise hiç benzerlik yoktur.
Üçüncü olarak, bu metot SEO açısından içeriklerin özgünlüğü ve alaka düzeyini analiz etmekte kullanılabilir. Özellikle, yeni içeriklerin var olan sayfalara ne kadar yakın olduğunu veya anahtar kelimelerin ötesinde konu bütünlüğünü ölçmekte avantaj sağlar. Ayrıca, içerik güncellemeleri ve kopya kontrolleri için de otomasyon imkanı sunar.
Son olarak, semantic similarity hesaplamaları, dil modellerinin güncellenmesiyle sürekli gelişen ve daha hassas hale gelen bir alandır. Bu nedenle, güncel modeller ve uygun parametrizasyonlar kullanmak, daha doğru sonuçlar elde etmek açısından kritik önemdedir. Bu teknikler, SEO çalışmalarını bilimsel ve ölçülebilir temellere oturtmak isteyenlerin vazgeçilmez araçları arasında yer alır.
