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:
| Метрика | До впровадження | Після впровадження |
|---|---|---|
| Кількість внутрішніх посилань на сторінку | 0–2 | 5–8 |
| Частка сторінок-сиріт | 40% | < 5% |
| CTR у блоці схожих статей | 8% | 14–18% |
| Час завантаження сторінки (LCP) | 2,3 сек | 2,5 сек (незначно) |
Кейс: інтернет-магазин з 500 товарами
Після впровадження гібридної перелінковки відвідуваність категорій зросла на 35% за 2 місяці, а середня кількість сторінок за сесію збільшилася з 1,8 до 3,2. Окупність системи настала через 1,5 місяці.Що входить в роботу
| Компонент | Опис | Термін |
|---|---|---|
| Keyword-based linker | Збір словника, заміна в HTML, виключення дублів | 1–2 дні |
| Semantic linker | Інтеграція ембедінгів, pgvector, API | 3–4 дні |
| Компонент схожих статей | React/Vue компонент, API-роути, кешування | 1–2 дні |
| Звіт про перелінковку | SQL-запити для моніторингу orphans, топ incoming | 0,5 дня |
| Документація та навчання | Опис процесів, доступ до адмінки | 0,5 дня |
Разом: 3–7 робочих днів залежно від стеку та складності інтеграції. Зв'яжіться з нами для попередньої оцінки вашого проєкту.
Як ми працюємо
- Аналіз — аудит поточної структури, збір семантики, виявлення сторінок-сиріт.
- Проєктування — вибір підходу (keyword, semantic або гібрид), архітектура словника, інтеграція з CMS.
- Реалізація — написання коду linker'а, налаштування ембедінгів, розробка UI-компонента.
- Тестування — перевірка на тестових даних: чи немає поломки верстки, чи не зациклюються посилання, чи коректно працюють виключення.
- 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 безкоштовно проаналізуємо ваш сайт, складемо кошторис і скажемо точні терміни.