Como muitos outros conceitos em SEO, o TF-IDF é um tópico muito debatido.
Primeiro, você leu sobre ser uma bala de prata para classificar seu conteúdo no Google.
Então, imediatamente, você ouve que o TF-IDF é tão tradicional que não vale a pena nenhum esforço.
A verdade geralmente está nas entrelinhas.
Este post explorará por que você não deve esperar que o TF-IDF substitua uma estratégia de otimização abrangente e quais são os verdadeiros benefícios de usá-la para SEO.
O que você vai ler neste artigo
TF-IDF – O que é isso?
Para um cérebro humano, não é preciso matemática para dizer do que se este artigo. É sobre o TF-IDF, certo?
Mas quando a relevância é avaliada (e, o mais importante, comparada por vários artigos) por uma máquina, precisamos de uma representação numérica para ver que:
- O artigo A é sobre o TF-IDF (em oposição a, digamos, link building).
- O artigo A é mais sobre o TF-IDF do que o artigo B.
Poderíamos simplesmente contar o número de vezes que nossa palavra-chave, TF-IDF, aparece em cada documento?
Não, obviamente ignoramos o tamanho dos documentos.
Podemos comparar a contagem de nossa palavra-chave com o número total de palavras?
Isso é o que chamamos de densidade de palavras-chave – uma métrica de otimização de conteúdo amplamente usada no passado.
Mas confiar na densidade de palavras-chave me faz pensar que a palavra “ser” (não “TF-IDF”) é a mais proeminente neste artigo.
Existe uma maneira de ajustar meus cálculos para o fato de que algumas palavras aparecem com mais frequência na fala em geral?
É aqui que o TF-IDF entra em jogo, permitindo-nos ver como a frequência de uso do “TF-IDF” neste artigo se compara à frequência média de uso em outros documentos na web.
Assim, podemos prestar menos atenção a todas as palavras comumente usadas e distinguir um tópico muito específico para um determinado conteúdo.
Em formato de cálculo, podemos classificar o “TD-IDF” da seguinte forma:
- Frequência do termo = (contagem do termo) / (contagem total de palavras no documento)
- Frequência inversa do documento = log (número de documentos) / (documentos contendo palavras-chave)
Quando multiplicado pela frequência inversa do documento, a frequência do termo fica mais baixa para palavras comumente usadas e mais alta para termos de identificação de tópico exclusivos.
Voltando ao nosso exemplo, o verbo “to be” é usado em todos os artigos em inglês. Mas muito poucos artigos mencionam “TF-IDF”, “palavras-chave”, “conteúdo” e outros subtópicos importantes que estou cobrindo em meu artigo.
Então, o TF-IDF para esses termos fica mais alto e … v oila ! A máquina sabe do que se trata meu artigo.
Geralmente, o TF-IDF é usado quando precisamos de uma máquina para identificar tópicos de um grande conjunto de documentos. Por exemplo, é amplamente aplicado em sistemas de recomendação em bibliotecas digitais.
O Google usa o TF-IDF como sinal de classificação?
Para simplificar a resposta é não.
O TF-IDF é referido em várias patentes do Google como algo que o mecanismo de pesquisa pode usar para a remoção de palavras de interrupção , que é livrar-se de todas as palavras de função em uma consulta de pesquisa e no conteúdo da página:
Mas usar esse mecanismo exato para identificar e comparar a relevância é muito improvável.
Simplesmente por ser um exemplo de mecanismo de pesquisa lexical, o TF-IDF é incapaz de olhar além das palavras-chave.
O modelo considera palavras-chave como cadeias de caracteres e não pode identificar relações semânticas entre elas, ao contrário dos modelos de pesquisa semântica provavelmente usados pelo Google.
Em outras palavras, o TF-IDF em si não é um sinal de classificação que determina a posição da sua página.
Não há nenhum valor TF-IDF esperado que você precise corresponder para cada palavra-chave em seu conteúdo. E é melhor você correr de qualquer um que tente te convencer do contrário.
Pesquisa semântica e co-ocorrências
Portanto, o Google mudou para a pesquisa semântica , tentando combinar o significado de uma consulta de pesquisa com o conteúdo topicamente relevante, em vez de corresponder palavras-chave da consulta às mesmas palavras-chave nas páginas.
Na prática, isso significa que, em vez de contar as próprias palavras-chave, o Google passou a contar co-ocorrências, usando o contexto circundante para entender seu significado.
Por exemplo, digamos que você encontre as seguintes frases e não tenha ideia do que é uma truta :
- A truta é rica em ácidos graxos ômega-3.
- A truta tem polpa tenra e um sabor suave, um tanto quanto a nozes.
- Ao escolher a truta, prestamos atenção a uma cor vermelho-laranja límpida.
E você também encontra o seguinte. Presumo que a maioria dos leitores saiba o que é um salmão :
- O salmão é um tipo de peixe popular na cozinha ocidental, que vai bem com vinho branco.
- Carne tenra de salmão pode ser adicionada à massa.
- A pele do salmão é super densa em nutrientes, por isso guarde-a no local onde cozinha.
O fato de que a truta ocorre com palavras como ômega-3, carne e massa pode sugerir que a truta é uma espécie de peixe comestível semelhante de alguma forma ao salmão.
Com base nessa compreensão simples de contexto, o Google é capaz de construir um sistema elaborado de vetores de palavras, usado posteriormente para entender as consultas do usuário e a relevância do conteúdo.
E embora eu não esteja dizendo que você e eu devamos tentar a engenharia reversa de todo o sistema vetorial, fornecer mais sinais de relevância, enriquecendo seu conteúdo com mais co-ocorrências, parece lógico (e, como vários estudos de caso mostram, realmente influencia as classificações do Google) .
Como o TF-IDF pode ajudar seu SEO?
Encontrar termos co-ocorrentes é exatamente onde o TF-IDF entra em jogo.
Claro, não temos acesso a todas as páginas da web, como o Google tem. Mas por que precisaríamos disso?
Para obter uma lista completa de ideias de co-ocorrência, basta olhar para um punhado de páginas (digamos de 20 a 30).
E a beleza é que usar TF-IDF não é ciência de foguetes. Tudo o que você precisa fazer se encaixa em três etapas simples.
Escreva seu conteúdo
Não estou incentivando você a fazer do TF-IDF o propósito de seu conteúdo.
No final, a escrita não natural simplesmente não converterá, mesmo se a página tiver uma classificação alta e gerar o tráfego necessário.
Então, em primeiro lugar, você se senta e escreve sobre o que quer que você tenha em seu plano de conteúdo.
Conecte uma ferramenta TF-IDF
A maioria das ferramentas funcionam de forma bastante semelhante.
Você insere um URL e as palavras-chave para as quais deseja otimizá-lo. A ferramenta então verifica as páginas classificadas no Google para aquela palavra-chave, analisa seu conteúdo, calcula TF-IDF para todos os termos que encontra e compara suas estatísticas de conteúdo com as de seus concorrentes.
Com ferramentas básicas, como o Seobility, você obterá uma lista de uma única palavra-chave.
Enriqueça seu conteúdo com sugestões de co-ocorrência do TF-IDF
Algumas das frases serão simplesmente sinônimos do que você já tem em seu conteúdo.
Se apropriado, tente usá-los ao longo do caminho.
Algumas das frases vão apontar novos tópicos, que ainda não passaram pela sua cabeça.
Analise as ideias e pense em maneiras de usá-las em seu conteúdo (sem ficar obcecado por elas).
TF-IDF para pesquisa de palavras-chave
Pegar os termos mais usados do conteúdo de seus concorrentes também pode estimular novas ideias em sua pesquisa de palavras-chave e planejamento de conteúdo , especialmente quando você sente a necessidade de pensamento e inspiração inovadores.
E você pode fazer isso fazendo uma pesquisa de gap de palavras-chave pelo SemRush, descobrindo termos que seus principais concorrentes estão trabalhando em seus conteúdos e tentar usá-las nos seus.
Muitas vezes, você verá TF-IDF sendo usado como indutor de cliques – artigos que prometem a fórmula ser “engenharia reversa do algoritmo do Google” ou “acabando com o mito do TF-IDF”.
Mas eu encorajo você a tomar as coisas como são e usar as oportunidades que a otimização do TF-IDF oferece. Sem apostar toda a sua campanha de SEO nisso.
