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.