Эмбеддинги — это числовые векторы, в которые превращают слова, фразы или целые документы. Векторы устроены так, что близкие по смыслу понятия оказываются близко друг к другу в пространстве. Алгоритм может посчитать «расстояние» между «купить кухню» и «заказать гарнитур» — оно будет маленьким.
На эмбеддингах построены современные поисковые системы и LLM. Для SEO косвенный эффект: смысловая близость к ключу важнее точного вхождения слова — хорошо написанный контент о теме получает место в индексе, даже если ключ почти не упоминается.
Слова «купить» и «приобрести» в векторном пространстве почти совпадают — поисковик понимает их как близкие. «Купить» и «продать» — противоположны.
Близость векторов измеряют косинусом угла между ними: 1 — почти синонимы, 0 — тематически не связаны, отрицательные значения — антонимы или противоположные интенты. Именно поэтому эмбеддинги вытеснили старый подход с подсчётом точных вхождений и LSI-словарей: чтобы попасть в выдачу по «как вывести пятно от вина», уже не обязательно дословно повторять запрос — текст про «удаление винных загрязнений с ткани» лежит в том же участке пространства. Яндекс использует эту логику в трансформерных моделях ранжирования, Google — в BERT и MUM.
Практический вывод для текста: вектор всей страницы складывается из её частей, поэтому абзац не по теме «сдвигает» документ в сторону и размывает релевантность. Раскрывайте тему через смежные сущности и термины (тематическая полнота), а не через переспам ключа — это и есть оптимизация под семантику, а не под слова. Проверить смещение можно грубо: прогнать конкурентов из топа и свою страницу через любую модель эмбеддингов и сравнить, каких смысловых блоков у вас не хватает.
Слово, фраза или документ — это список чисел, задающий точку в многомерном пространстве значений.
Чем меньше угол между векторами, тем ближе смысл; синонимы стоят рядом, антонимы — далеко.
Поиск ранжирует по смысловому совпадению с запросом, а не по точному вхождению ключа в текст.