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 безкоштовно проаналізуємо ваш сайт, складемо кошторис і скажемо точні терміни.