Cosine Similarity

Cosine Similarity (косинусное сходство) — метрика, измеряющая угол между двумя векторами в многомерном пространстве. Значение варьируется от −1 до 1: 1 означает полное совпадение направления, 0 — ортогональность (отсутствие связи), −1 — противоположные направления. В отличие от евклидова расстояния, косинусное сходство не зависит от длины векторов, поэтому оно идеально подходит для сравнения текстов разной длины. В SEO и обработке естественного языка эта метрика лежит в основе поиска семантически близких запросов, кластеризации ключевых слов и оценки релевантности контента.

Как это работает на практике

• Текст или запрос преобразуется в вектор чисел — например, через TF-IDF или эмбеддинги нейросетей (Word2Vec, BERT).
• Для каждой пары векторов вычисляется косинус угла по формуле: скалярное произведение, делённое на произведение длин векторов.
• Результат интерпретируется: 0.9 и выше — почти дубликаты, 0.7–0.9 — близкие по смыслу, ниже 0.5 — слабая связь.
• Пары с высоким сходством объединяются в кластеры или помечаются как каннибализирующие страницы.

Применение в SEO

• Кластеризация семантики: тысячи запросов группируются по смыслу, а не по вхождению слов — это основа для сбора семантики и построения структуры сайта.
• Поиск каннибализации: если две страницы имеют сходство выше 0.85, они конкурируют за один запрос — одну нужно переписать или склеить.
• Оценка релевантности: сравнение текста страницы с поисковым интентом помогает выявить несоответствие до публикации.
• Внутренняя перелинковка: страницы с высоким косинусным сходством логично ссылаются друг на друга, что усиливает SEO-продвижение.

Ограничения метрики

• Не учитывает порядок слов: «кошка ест рыбу» и «рыба ест кошку» получат высокое сходство.
• Чувствительна к качеству векторизации: на «мешке слов» результат грубее, чем на контекстных эмбеддингах.
• Не различает антонимы: «дешёвый» и «дорогой» могут оказаться близки, если встречаются в похожих контекстах.

Cosine Similarity — базовый инструмент семантического анализа, который превращает тексты в геометрию. Чтобы применять его корректно, важно понимать смежные концепции: эмбеддинги, TF-IDF и семантическое ядро. Комбинация косинусного сходства с SEO-аудитом позволяет находить дубли, каннибализацию и пробелы в контенте ещё до того, как они ударят по позициям.