Внутренняя перелинковка: автоматизация, которая работает
Представьте: на сайте 300 статей, каждая вторая — сирота (не имеет ни одной внутренней ссылки). Google не находит эти страницы, PageRank не течёт, пользователи теряются. Ручная перелинковка таких объёмов — труд 3 редакторов на неделю, а через месяц появятся 10 новых материалов и процесс нужно повторять. Наш опыт показывает: автоматическая система окупается за 1–2 месяца.
Мы берём на себя проектирование и внедрение такой системы — под ключ, с учётом вашего стека. Ниже — как мы это делаем.
Автоматизация решает проблему страниц-сирот
Страницы-сироты теряют трафик и вес
Без входящих внутренних ссылок краулеры редко находят такие страницы, а если находят — не передают им ссылочный вес. Результат: низкие позиции, маленький охват. На одном из проектов мы обнаружили, что 40% блога не имеют ни одной внутренней ссылки — после внедрения автоматики трафик на них вырос в 2,5 раза за 3 месяца.
Ручная перелинковка не масштабируется
На 500+ страницах редактор физически не может помнить все релевантные связи. Он ставит ссылки интуитивно, пропускает очевидные пары. Автоматизированная система (keyword + semantic) находит связи, которые человек не заметил бы, и делает это за секунды.
Анкоры теряют релевантность
Вручную сложно обеспечить, чтобы анкор точно соответствовал содержимому целевой страницы. Keyword-matching гарантирует: ссылка стоит ровно на том слове, которое описывает страницу. Semantic matching идёт дальше — находит страницы по смыслу, даже если анкор не совпадает.
Почему гибридный подход эффективнее одного метода?
Мы используем гибридный подход: keyword-based для прямых вхождений, semantic matching для блока «Похожие статьи». Такая комбинация даёт на 30–60% больше кликов по сравнению с использованием только одного метода.
Keyword-based перелинковка
Собираем словарь ключевых слов из заголовков и мета-полей всех опубликованных статей. Сортируем по длине, чтобы длинные ключи перекрывались раньше коротких (избегаем частичных совпадений: "React" внутри "React Native").
class AutoLinker { // Словарь: ключевое слово → URL private array $linkMap; public function __construct() { // Загружаем из кэша или из БД $this->linkMap = Cache::remember('autolink_map', 3600, function () { return Article::where('is_published', true) ->get() ->flatMap(fn($a) => collect($a->keywords)->mapWithKeys( fn($kw) => [$kw => route('articles.show', $a->slug)] )) ->all(); }); // Сортируем по длине ключевого слова (длинные сначала, чтобы избежать частичных совпадений) uksort($this->linkMap, fn($a, $b) => strlen($b) - strlen($a)); } public function process(string $html, string $currentUrl): string { $dom = new \DOMDocument(); @$dom->loadHTML(mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8')); $linked = []; // Не ставим одну и ту же ссылку дважды foreach ($this->linkMap as $keyword => $url) { if ($url === $currentUrl) continue; if (isset($linked[$url])) continue; // Ищем только в текстовых нодах, не внутри уже существующих ссылок $xpath = new \DOMXPath($dom); $textNodes = $xpath->query('//text()[not(ancestor::a) and not(ancestor::code) and not(ancestor::pre)]'); foreach ($textNodes as $node) { $pattern = '/\b' . preg_quote($keyword, '/') . '\b/ui'; if (preg_match($pattern, $node->nodeValue)) { // Заменяем только первое вхождение $new = preg_replace($pattern, "<a href=\"{$url}\">{$keyword}</a>", $node->nodeValue, 1 ); $fragment = $dom->createDocumentFragment(); @$fragment->appendXML($new); $node->parentNode->replaceChild($fragment, $node); $linked[$url] = true; break; } } } return $dom->saveHTML(); } } После обработки каждая страница получает 3–5 дополнительных внутренних ссылок, которые распределяют вес равномерно.
Semantic linking с векторными эмбеддингами
Для блока «Похожие статьи» используем векторные эмбеддинги. При сохранении статьи генерируем эмбеддинг через OpenAI text-embedding-3-small и храним в PostgreSQL с расширением pgvector. Поиск похожих — это запрос на косинусное расстояние.
class SemanticLinker { public function findRelated(Article $article, int $limit = 5): Collection { // Предварительно рассчитанные эмбеддинги хранятся в PostgreSQL + pgvector return Article::selectRaw('*, embedding <=> ? AS distance', [$article->embedding]) ->where('id', '!=', $article->id) ->where('is_published', true) ->whereRaw('embedding IS NOT NULL') ->orderBy('distance') ->limit($limit) ->get(); } // Расчёт эмбеддинга при сохранении статьи public function generateEmbedding(Article $article): void { $text = $article->title . "\n" . strip_tags($article->excerpt); $response = Http::withToken(config('openai.key')) ->post('https://api.openai.com/v1/embeddings', [ 'model' => 'text-embedding-3-small', 'input' => $text, ]); $embedding = $response->json('data.0.embedding'); $article->update(['embedding' => json_encode($embedding)]); } } Результат: блок похожих статей не по одним тегам, а по реальной смысловой близости. Конверсия в клик по таким ссылкам выше на 30–60%.
Компонент «Похожие статьи» на React
Готовый UI-компонент, который подгружает данные с API и отображает в виде карточек. Требуется React 18+ и TanStack Query.
// RelatedArticles.tsx interface Article { id: number; title: string; slug: string; excerpt: string; category: string; } export function RelatedArticles({ articleId }: { articleId: number }) { const { data: related } = useQuery({ queryKey: ['related', articleId], queryFn: () => fetch(`/api/articles/${articleId}/related`).then(r => r.json()), staleTime: 5 * 60 * 1000, }); if (!related?.length) return null; return ( <aside className="mt-12 border-t pt-8"> <h3 className="text-lg font-semibold mb-4">По теме</h3> <div className="grid grid-cols-1 sm:grid-cols-2 gap-4"> {related.map((article: Article) => ( <a key={article.id} href={`/articles/${article.slug}`} className="block p-4 border rounded-lg hover:border-blue-400 transition-colors"> <span className="text-xs text-blue-600 uppercase tracking-wide">{article.category}</span> <h4 className="font-medium mt-1 text-sm leading-snug">{article.title}</h4> </a> ))} </div> </aside> ); } Какие результаты показывает гибридный подход?
Сравните ключевые метрики до и после внедрения:
| Метрика | До внедрения | После внедрения |
|---|---|---|
| Количество внутренних ссылок на страницу | 0–2 | 5–8 |
| Доля страниц-сирот | 40% | < 5% |
| CTR в блоке похожих статей | 8% | 14–18% |
| Время загрузки страницы (LCP) | 2,3 сек | 2,5 сек (незначительно) |
Кейс: интернет-магазин с 500 товарами
После внедрения гибридной перелинковки посещаемость категорий выросла на 35% за 2 месяца, а среднее количество страниц за сессию увеличилось с 1,8 до 3,2. Окупаемость системы наступила через 1,5 месяца.Что входит в работу
| Компонент | Описание | Срок |
|---|---|---|
| Keyword-based linker | Сбор словаря, замена в HTML, исключение дублей | 1–2 дня |
| Semantic linker | Интеграция эмбеддингов, pgvector, API | 3–4 дня |
| Компонент похожих статей | React/Vue компонент, API-роуты, кэширование | 1–2 дня |
| Отчёт о перелинковке | SQL-запросы для мониторинга orphans, топ incoming | 0,5 дня |
| Документация и обучение | Описание процессов, доступ к админке | 0,5 дня |
Итого: 3–7 рабочих дней в зависимости от стека и сложности интеграции. Свяжитесь с нами для предварительной оценки вашего проекта.
Как мы работаем
- Анализ — аудит текущей структуры, сбор семантики, выявление страниц-сирот.
- Проектирование — выбор подхода (keyword, semantic или гибрид), архитектура словаря, интеграция с CMS.
- Реализация — написание кода linker'а, настройка эмбеддингов, разработка UI-компонента.
- Тестирование — проверка на тестовых данных: нет ли поломки вёрстки, не зацикливаются ли ссылки, корректно ли работают исключения.
- Деплой и мониторинг — выкатка на продакшн, логирование ошибок, отслеживание метрик (количество ссылок, LCP, INP).
Чек-лист: готовы ли вы к автоматической перелинковке?
- [ ] Все статьи имеют уникальные заголовки и мета-описания
- [ ] В CMS есть поле «ключевые слова» (или мы можем добавить)
- [ ] Ваш стек поддерживает PHP 8.3+ или Node.js (для эмбеддингов)
- [ ] Есть PostgreSQL (для pgvector) или готовы перейти
Если на все пункты «да» — внедрение займёт 3–5 дней. Если нет — мы поможем доработать структуру. Закажите консультацию — мы бесплатно проанализируем ваш сайт, составим смету и скажем точные сроки.