Ещё в середине 2010-х годов работа копирайтера в поисковом продвижении напоминала ремесло копировальщика. Требовалось взять ключевой запрос, вписать его точным вхождением в заголовок, первый абзац и пару подзаголовков, а затем повторить нужное число раз, ориентируясь на плотность в три-пять процентов. Так рождались статьи, читавшиеся как таблица умножения, заученная впопыхах. В октябре 2019 года Google подключил нейросеть BERT к поисковой выдаче, и этот сценарий начал стремительно обесцениваться. Поисковик научился понимать смысл фраз, а не сравнивать наборы символов. Ниже разобрано, что такое тематическая релевантность, как устроено поле семантически связанных терминов и по какой схеме писать тексты, которые удерживают позиции, даже когда точная фраза встречается в них считанные разы.
Как языковая модель BERT читает контекст с двух сторон
Расшифровка названия BERT звучит как Bidirectional Encoder Representations from Transformers, двунаправленные представления слов на архитектуре трансформеров. В научной публикации инженеров Google модель появилась в октябре 2018 года, а спустя год, в октябре 2019-го, её включили в поисковый алгоритм. На старте новая логика затрагивала около десятой части англоязычных запросов из США, а с декабря 2019 года распространилась больше чем на семьдесят языков. Суть перемены в том, что каждое слово модель читает вместе с окружением сразу с двух сторон, и слева, и справа.
До BERT алгоритмы по сути рассматривали слова поодиночке. Google ещё в анонсе 2019 года приводил показательный пример с запросом "brazil traveler to usa need a visa". Раньше он сопоставлялся со статьями для американцев, собирающихся в Бразилию, хотя на деле виза нужна для въезда в США. Весь смысл держался на предлоге "to", который старая система просто не видела. Понимание контекста исправило трактовку без каких-либо ключей, подсказанных оптимизатором.
Обучение модели тоже построено на контексте. Инженеры закрывали в предложениях около пятнадцати процентов слов и заставляли нейросеть угадывать их по оставшемуся тексту. Угадать можно, только уловив, о чём речь в целом. Так BERT усвоил главный закон языка, значение слова определяют его соседи по предложению.
Дальше эволюция шла по нарастающей. RankBrain с осени 2015 года помогал трактовать запросы, которых система раньше не встречала, а таких ежедневно набиралось около пятнадцати процентов. Нейросопоставление 2018 года охватило примерно треть запросов. В феврале 2021 года заработало ранжирование отдельных пассажей, оно затронуло около семи процентов фраз, зато позволило поисковику находить ответ внутри одного абзаца. В мае 2021 года на конференции Google I/O показали модель MUM, которая в тысячу раз крупнее BERT и одновременно работает с несколькими языками. У Яндекса появился свой аналог, трансформер YATI, объявленный в октябре 2020 года. Общий вектор у этих систем один, поиск сопоставляет смыслы, а не строки.
Тематическая релевантность и поле семантически связанных слов
Тематической релевантностью называют степень соответствия страницы не отдельному запросу, а теме целиком. Измеряется она не числом вхождений ключа, а тем, насколько полно текст покрывает смысловое поле темы. Поле составляют семантически связанные термины, слова, которые статистически часто появляются рядом в текстах на ту же тему. Свойство совместной встречаемости у лингвистов обозначается термином co-occurrence.
Нагляднее всего устройство поля видно на примере зимнего ухода за автомобилем. В живом тексте рядом почти обязательно встретятся "антифриз", "скребок", "аккумулятор", "зимняя резина", "прогрев" и "реагенты". Если всё это в статье есть, модель уверенно относит её к теме даже при малом числе повторов главного запроса. Если же слово "зима" повторено тридцать раз, а остальная лексика темы отсутствует, картина выходит сомнительная, похожая на человека, который на экзамене твердит единственную выученную фразу.
Именно на связанных терминах держится уверенность алгоритма. Отдельное слово многозначно, "ключ" в одном тексте открывает дверь, в другом запускает программу, в третьем относится к колодцу. Неоднозначность снимает только устойчивое окружение. По этой причине страница, покрытая смысловым полем темы, ранжируется по десяткам смежных запросов, включая формулировки, которые автор вовсе не оптимизировал. Дополнительную опору даёт граф знаний, который Google развивает с мая 2012 года и связывает сущности, людей, места и устройства. Текст, оперирующий правильными сущностями и их признаками, привязать к теме проще, а метрика TF-IDF ещё до эры нейросетей помогала находить отличительные слова темы.
Тексты, написанные чисто под вписывание ключей, проигрывают
Старая школа требовала плотности ключа в три-пять процентов и точного вхождения в каждом втором абзаце. Против понимающего алгоритма схема даёт прямо противоположный эффект. Переспам для нейросети выглядит статистически неправдоподобно, живые авторы так не пишут. Хуже того, у текста, собранного вокруг одной фразы, не хватает остальной лексики, чтобы модель уверенно распознала тему и её границы. Получается замкнутый круг, чем настойчивее повторяют ключ, тем менее естественным и менее понятным для машины становится текст.
У таких статей характерные симптомы. Они ранжируются по одному-двум запросам и не собирают смежные формулировки. Позиции скачут после каждого обновления алгоритма. Время чтения низкое, ведь человек открывает страницу, не находит ответов на свои подвопросы и уходит. Летом 2022 года Google запустил отдельный фильтр полезного контента, нацеленный именно против текстов для машины, а не для людей, а мартовское обновление 2024 года, по оценке самой компании, сократило долю малополезных страниц в выдаче примерно на сорок процентов. Честно говоря, писать "под ключ" стало не просто малоэффективно, но и рискованно.
Здесь уместна одна оговорка. Точное вхождение само по себе не вредит и даже полезно в заголовке и первых абзацах, оно помогает читателю сразу сориентироваться. Вред приносит не вхождение, а отсутствие всего остального, непокрытые подвопросы, бедное поле, искусственные повторы ради плотности. Почему же статьи старого образца ещё попадаются в выдаче? По инерции, в нишах со слабой конкуренцией они цепляются за нижние строки, но их век заканчивается.
Подвопросы и синонимическое поле как каркас статьи
Рабочая методика начинается до первой строки текста. Тему раскладывают на подвопросы, всё, что реально спрашивает человек, и параллельно собирают синонимическое поле, профессиональные термины, бытовые формулировки, названия конкретных предметов и действий. Для темы "как выбрать ноутбук для работы" в поле попадут "диагональ", "SSD", "оперативная память", "автономность", "вес", "матовый экран" и "бюджет", а подвопросы распадутся на цену, срок службы, сценарии переноски и типичные ошибки покупки.
Отдельного разговора заслуживает LSI-подход. Аббревиатура ведёт историю к латентно-семантическому анализу конца восьмидесятых годов прошлого века, матричному методу поиска скрытых связей между словами. В практике копирайтеров "LSI-ключи" давно превратились в жаргонное имя для любых сопутствующих терминов. Граница подхода проста, слепое подмешивание слов из сторонних сервисов не работает, современные трансформеры оценивают осмысленность, а не список совпадений. Поле слов нужно не вставлять в текст, а понимать и честно раскрывать.
Порядок подготовки материала при таком подходе отработан до простых шагов:
1. Выписывают главный запрос и все его живые формулировки, включая разговорные и частотные опечаточные варианты;
2. Раскладывают тему на подвопросы, что это, как делается, когда нужно, сколько стоит, чем отличается от аналогов, какие ошибки допускают новички;
3. Собирают синонимическое поле из терминов, предметов, действий и признаков, характерных именно для этой темы;
4. Группируют находки в смысловые блоки и намечают структуру будущей статьи;
5. Проверяют черновой охват по вопросам из поисковых подсказок и по разделам сильных конкурентов.
Проверка полноты охвата через вопросы поисковика и конкурентов
Черновик готов, но рано ставить точку. Первый инструмент проверки, блоки похожих вопросов, которые поисковик показывает под результатами. По теме полива орхидей там встретятся "как часто зимой", "какой водой", "нужно ли опрыскивать", "почему желтеют листья". Каждый такой вопрос, оставшийся без ответа, это отданная конкурентам доля трафика. Закрывать их можно смыслом внутри подходящих блоков, а не отдельными абзацами.
Второй инструмент, разбор топа выдачи. Структуры статей из первой десятки показывают, какие смысловые блоки считаются обязательными. Задача не в копировании, а в поиске пробелов, блоки, которые есть у всех, но отсутствуют в черновике, стоит дописать, а собственный уникальный угол, которого нет ни у кого, способен стать преимуществом. Третий инструмент, подсказки поисковой строки, они отражают реальные формулировки людей, до которых автор мог не додуматься. Такая лексика закрывает длинные запросы, где конкуренция обычно ниже.
Разницу между узким и полным охватом проще показать на условном примере. Пусть по запросу "полив орхидеи" написаны две статьи. Первая объёмом три с половиной тысячи знаков отвечает только на главный вопрос. Ей доступны в основном сам запрос и его лёгкие вариации, порядка двадцати пяти или тридцати фраз, а позиции держатся примерно с восемнадцатого по двадцать пятое место. Вторая статья объёмом двенадцать тысяч знаков закрывает пятнадцать подвопросов, частоту зимой и летом, качество воды, опрыскивание, подкормку, признаки перелива и пересушки. Тематическая релевантность у неё заметно выше, поэтому поисковик показывает её по ста пятидесяти или двумстам фразам, включая длинные формулировки вроде "что делать если залила орхидею", и по значительной части этих фраз выводит в первую десятку. Затраты на подготовку выросли примерно втрое, а потенциальный трафик вырос на порядок. Цифры здесь условные, но пропорция многократно повторяется в реальных нишах.
Баланс плотности слов и естественность без переспама
Работа с полем не отменяет вопроса плотности, она меняет ориентиры. Для главной фразы сегодня достаточно диапазона от половины процента до полутора процентов от числа слов, дальше рост вхождений не добавляет релевантности, зато повышает риск фильтра. В тексте на тысячу слов главное словосочетание уместно от пяти до пятнадцати раз в разных формах. Одного точного вхождения в заголовке и одного в первых абзацах чаще всего хватает, остальное место занимают морфологические варианты и синонимы, "полив", "поливать", "увлажнение", "орошение".
Простая проверка на переспам звучит так, если одно и то же слово встречается чаще, чем один раз на пятьдесят слов, стоит пересмотреть абзац. Вторая проверка, чтение вслух, искусственные конструкции с повторами режут слух мгновенно. Третья, взгляд на абзац без контекста, если из него выпадает смысл и остаётся нагромождение ключей, фрагмент требует переписывания. Естественность здесь не эстетическая прихоть, а прямое следствие устройства понимающих алгоритмов, они обучались на живых текстах и оценивают правдоподобие статистики слов. Полезный приём, писать черновик вообще без оглядки на ключи, а затем мягко вписать фразу туда, где она напрашивается сама.
Что эта логика даёт копирайтеру прямо сейчас
Смещение акцента с точных вхождений на смысловое поле меняет саму профессию. Ценность автора растёт не в умении поставить фразу в нужное место, а в умении разбираться в теме и видеть её глазами читателя. Хороший текст собирается как мозаика, сначала карта подвопросов, затем синонимическое поле, затем проверка охвата и только в конце лёгкая шлифовка плотности. Прежняя школа собирала статьи как скворечник по шаблону, из одинаковых дощечек с одной фразой внутри.
Новая логика ближе к разговору с толковым знакомым. Он отвечает на главный вопрос и тут же, сам того не замечая, предупреждает смежные, потому что тему понимает по-настоящему. Именно такой разговор поисковик старается показать на первой странице выдачи, и именно за него алгоритмы награждают позициями. По сути, тематическая релевантность стала мостом между интересами читателя и требованиями машины, и держится этот мост на словах, которые естественно живут в теме.
Пока модели вроде MUM движутся к мультимодальности и умению совмещать текст с изображениями, базовое правило остаётся прежним. Тематическая релевантность строится на полноте и естественности смыслового поля, а поле начинается с честного знания темы. Статьи, закрывающие подвопросы читателя и говорящие на языке темы, удерживают позиции при любой версии алгоритма, а попытки угадать точные формулировки ради вписывания уходят в прошлое вместе с плотностью в пять процентов.