Автоматизація внутрішньої перелінковки: під ключ для SEO

Внутрішня перелінковка: автоматизація, яка працює

Уявіть: на сайті 300 статей, кожна друга — сирота (не має жодного внутрішнього посилання). Google не знаходить ці сторінки, PageRank не тече, користувачі губляться. Ручна перелінковка таких обсягів — праця 3 редакторів на тиждень, а через місяць з'являться 10 нових матеріалів і процес потрібно повторювати. Наш досвід показує: автоматична система окупається за 1–2 місяці.

Ми беремо на себе проєктування та впровадження такої системи — під ключ, з урахуванням вашого стеку. Нижче — як ми це робимо.

Автоматизація вирішує проблему сторінок-сиріт

Сторінки-сироти втрачають трафік і вагу

Без вхідних внутрішніх посилань краулери рідко знаходять такі сторінки, а якщо знаходять — не передають їм посилальну вагу. Результат: низькі позиції, мале охоплення. На одному з проєктів ми виявили, що 40% блогу не мають жодного внутрішнього посилання — після впровадження автоматики трафік на них виріс у 2,5 рази за 3 місяці.

Ручна перелінковка не масштабується

На 500+ сторінках редактор фізично не може пам'ятати всі релевантні зв'язки. Він ставить посилання інтуїтивно, пропускає очевидні пари. Автоматизована система (keyword + semantic) знаходить зв'язки, які людина не помітила б, і робить це за секунди.

Анкори втрачають релевантність

Вручну складно забезпечити, щоб анкор точно відповідав вмісту цільової сторінки. Keyword-matching гарантує: посилання стоїть рівно на тому слові, яке описує сторінку. Semantic matching іде далі — знаходить сторінки за змістом, навіть якщо анкор не збігається.

Чому гібридний підхід ефективніший за один метод?

Ми використовуємо гібридний підхід: keyword-based для прямих входжень, semantic matching для блоку «Схожі статті». Така комбінація дає на 30–60% більше кліків порівняно з використанням лише одного методу.

Keyword-based перелінковка

Збираємо словник ключових слів із заголовків та мета-полів усіх опублікованих статей. Сортуємо за довжиною, щоб довгі ключі перекривалися раніше коротких (уникаємо часткових збігів: "React" всередині "React Native").

class AutoLinker {
    // Словник: ключове слово → URL
    private array $linkMap;

    public function __construct() {
        // Завантажуємо з кешу або з 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();
        });

        // Сортуємо за довжиною ключового слова (довші спочатку, щоб уникнути часткових збігів)
        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 ставимо одне й те саме посилання двічі

        foreach ($this->linkMap as $keyword => $url) {
            if ($url === $currentUrl) continue;
            if (isset($linked[$url])) continue;

            // Шукаємо лише в текстових нодах, не всередині вже існуючих посилань
            $xpath = new \DOMXPath($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)) {
                    // Замінюємо лише перше входження
                    $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();
    }
}

Після обробки кожна сторінка отримує 3–5 додаткових внутрішніх посилань, які розподіляють вагу рівномірно.

Semantic linking з векторними ембедінгами

Для блоку «Схожі статті» використовуємо векторні ембедінги. При збереженні статті генеруємо ембедінг через OpenAI text-embedding-3-small і зберігаємо в PostgreSQL з розширенням pgvector. Пошук схожих — це запит на косинусну відстань.

class SemanticLinker {
    public function findRelated(Article $article, int $limit = 5): Collection {
        // Попередньо розраховані ембедінги зберігаються в PostgreSQL + pgvector
        return Article::selectRaw('*, embedding <=> ? AS distance', [$article->embedding])
            ->where('id', '!=', $article->id)
            ->where('is_published', true)
            ->whereRaw('embedding IS NOT NULL')
            ->orderBy('distance')
            ->limit($limit)
            ->get();
    }

    // Розрахунок ембедінгу при збереженні статті
    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 схожих статей не за одними тегами, а за реальною смисловою близькістю. Конверсія в клік за такими посиланнями вища на 30–60%.

Компонент «Схожі статті» на React

Готовий UI-компонент, який підвантажує дані з API і відображає у вигляді карток. Потрібен React 18+ і 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 темі</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>
  );
}

Які результати показує гібридний підхід?

Порівняйте ключові метрики до та після впровадження:

Що входить в роботу

Разом: 3–7 робочих днів залежно від стеку та складності інтеграції. Зв'яжіться з нами для попередньої оцінки вашого проєкту.

Як ми працюємо

1. Аналіз — аудит поточної структури, збір семантики, виявлення сторінок-сиріт.
2. Проєктування — вибір підходу (keyword, semantic або гібрид), архітектура словника, інтеграція з CMS.
3. Реалізація — написання коду linker'а, налаштування ембедінгів, розробка UI-компонента.
4. Тестування — перевірка на тестових даних: чи немає поломки верстки, чи не зациклюються посилання, чи коректно працюють виключення.
5. Деплой та моніторинг — викатка на продакшн, логування помилок, відстеження метрик (кількість посилань, LCP, INP).

Чек-лист: чи готові ви до автоматичної перелінковки?

• [ ] Усі статті мають унікальні заголовки та мета-описи
• [ ] У CMS є поле «ключові слова» (або ми можемо додати)
• [ ] Ваш стек підтримує PHP 8.3+ або Node.js (для ембедінгів)
• [ ] Є PostgreSQL (для pgvector) або готові перейти

Якщо на всі пункти «так» — впровадження займе 3–5 днів. Якщо ні — ми допоможемо доопрацювати структуру.

Замовте консультацію — ми проаналізуємо ваш сайт, складемо кошторис і скажемо точні терміни.