البحث الدلالي

TL;DR — البحث الدلالي يعني أن تطابق محركات البحث معنى ما تبحث عنه، لا الكلمات التي كتبتها حرفياً فقط. يحاول Google معرفة «ما الذي يريده هذا الشخص فعلاً؟» و«ما موضوع هذه الصفحة حقاً؟» — ثم يصل بين الأمرين. ولهذا لم تعد مضطراً إلى تكرار الكلمات المفتاحية مراراً، ولأن الكتابة الطبيعية عن موضوع ما تعمل أفضل من حشوه بالعبارات.

ما هو البحث الدلالي

يسعى البحث الدلالي إلى العثور على التطابقات بناءً على المعنى والسياق، إضافة إلى المصطلحات الدقيقة. Evidence for this claim BERT learns bidirectional contextual language representations that can be fine-tuned for search-relevant language tasks. Scope: BERT research; semantic retrieval systems may use many other models and signals. Confidence: high · Verified: 2026-07-14 Devlin et al.: BERT وتؤكد الشروحات العامة من Google وجود أنظمة لفهم اللغة من دون كشف أوزان الترتيب الكاملة. Evidence for this claim Google reported using BERT to better understand language and context in some Search queries. Scope: Google Search's documented rollout; it does not mean lexical matching was replaced or disclose the full ranking system. Confidence: high · Verified: 2026-07-14 Google: Understanding searches better than ever before

لفترة طويلة، كانت محركات البحث تعد الكلمات في الغالب. فإذا بحثت عن «cheap flights»، بحثت عن صفحات تحتوي على كلمتي «cheap» و«flights». هذا مفيد لكنه غبي — إذ لم يكن يعرف أن «affordable airfare» تعني الشيء نفسه، أو أن «jaguar» قد يكون حيواناً أو سيارة.

البحث الدلالي يصلح ذلك. فبدلاً من مطابقة الحروف والكلمات، يحاول فهم المعنى. وتقوده فكرتان:

• فهم ما تعنيه. يقرأ Google استعلامك كاملاً بوصفه جملة، لا كيساً من الكلمات المفتاحية. ويحدد نيتك — هل تحاول شراء شيء، أم تعلم شيء، أم العثور على موقع محدد؟
• فهم موضوع الصفحة. يحدد الموضوعات التي تغطيها الصفحة والأشياء الواقعية (الأشخاص والأماكن والمنتجات) التي تذكرها — لا الكلمات التي تظهر فيها فقط.

من الطرق الجيدة لتصور الأمر أن البحث عن «how to fix a leaky faucet» والبحث عن «repairing a dripping tap» يجب أن يعيدا النتائج نفسها، رغم أن العبارتين لا تشتركان تقريباً في أي كلمات. تبدوان غير مرتبطتين لمحرك كلمات مفتاحية، لكنهما تعنيان الشيء نفسه لمحرك دلالي.

لماذا غيّر SEO

عندما فهم Google المعنى، توقفت حيل قديمة كثيرة عن العمل:

• لا تحتاج إلى حشو الكلمات المفتاحية. يعرف Google المرادفات والمصطلحات ذات الصلة بالفعل. إن تكرار «best running shoes» عشرين مرة لا يساعد — وقد يضر.
• لا تحتاج إلى صفحة منفصلة لكل صياغة. تعني «Python tutorial» و«Python guide» و«learn Python» الشيء نفسه تقريباً، لذلك يختار Google صفحة واحدة لترتيبها كلها. وتقسيمها بين صفحات لا يفعل سوى منافسة نفسك.
• تغطية الموضوع جيداً تتفوق على إصابة عدد كلمات مفتاحية. تتفوق الصفحة التي تجيب عن سؤال بصدق — مع التفاصيل المرتبطة التي يريدها القارئ — على صفحة تذكر الكلمة المفتاحية كثيراً فحسب.

الخطأ الذي يرتكبه معظم الناس

البحث الدلالي لا يعني أن الكلمات المفتاحية ماتت. ما زال بحث الكلمات المفتاحية يخبرك بما يبحث عنه الناس وعدد مرات بحثهم عنه. ما مات هو حشو الكلمات المفتاحية وفكرة ضرورة تكرار العبارات حرفياً. وللتوضيح: «LSI keywords» ليست شيئاً حقيقياً. قال John Mueller ذلك مباشرة. إن نثر «الكلمات المفتاحية ذات الصلة الدلالية» من أداة ليس طريقة عمل هذا النظام — بل الطريقة هي تغطية الموضوع طبيعياً.

هل تريد التاريخ الكامل (Knowledge Graph وHummingbird وRankBrain وBERT وMUM) والتفاصيل التقنية لطريقة عمله؟ انتقل إلى تبويب Advanced.

TL;DR — يسترجع البحث الدلالي النتائج حسب المعنى، لا حسب التطابق الدقيق للكلمات المفتاحية. بناه Google على طبقات — Knowledge Graph (2012)، وHummingbird (2013)، وRankBrain (2015)، والمطابقة العصبية (2018)، وBERT (2019)، وMUM (2021) — تحل كل طبقة جزءاً مختلفاً (الكيانات، ومعنى الاستعلام الكامل، والاستعلامات الجديدة، والمرادفات على مستوى المفهوم، ومعنى الكلمة في سياقها، والاستدلال متعدد الوسائط). وهي تدعم استرجاع الكلمات المفتاحية (فما زال BM25 يعمل أولاً على نطاق واسع)، ولا تستبدله. البحث الدلالي هو الهدف؛ والبحث المتجهي تطبيق واحد. «LSI keywords» خرافة. ولم تتغير إجابة التحسين خلال عقد: لغة طبيعية، وعمق موضوعي، وكيانات واضحة، ومواءمة النية.

البحث بالكلمات المفتاحية مقابل البحث الدلالي

الاسترجاع بالكلمات المفتاحية والاسترجاع الدلالي متكاملان، وليسا عصرين متعارضين. Evidence for this claim BERT learns bidirectional contextual language representations that can be fine-tuned for search-relevant language tasks. Scope: BERT research; semantic retrieval systems may use many other models and signals. Confidence: high · Verified: 2026-07-14 Devlin et al.: BERT وتوضح مواد Google العامة وجود أنظمة تستوعب اللغة، لكنها لا تنشر الأوزان الكاملة التي تدخل في الترتيب. Evidence for this claim Google reported using BERT to better understand language and context in some Search queries. Scope: Google Search's documented rollout; it does not mean lexical matching was replaced or disclose the full ranking system. Confidence: high · Verified: 2026-07-14 Google: Understanding searches better than ever before

يرتب الاسترجاع الكلاسيكي المستندات حسب إحصاءات المصطلحات. يزن TF-IDF (تكرار المصطلح × تكرار المستند المعكوس) الكلمة وفق مدى ظهورها في مستند مقارنة بندرتها عبر المجموعة. أما BM25 («Best Match 25») فيحسن ذلك بتطبيع الطول ومنحنى التشبع، وما زال خط الأساس المهيمن للمرحلة الأولى في Elasticsearch وSolr وLucene — وداخل Google وBing. إنه قوي وسريع، وكل ما يهتم به هو الكلمات. ولا يعرف أن «leaky faucet» و«dripping tap» تعنيان الشيء نفسه.

يضيف البحث الدلالي طبقة من الفهم فوق ذلك:

التأطير المهم هو أن البحث الدلالي يدعم استرجاع الكلمات المفتاحية بدلاً من استبداله. على نطاق Google، ما زالت مرحلة أولى على نمط BM25 في فهرس معكوس تختار بسرعة مجموعة مرشحين واسعة، ثم تعيد الأنظمة العصبية ترتيب المستندات وتضيف مستندات تشترك في المفاهيم لا في الكلمات. وقد وصفت شهادة Pandu Nayak أمام وزارة العدل الأمريكية في 2023 هذا بالضبط — فنظام التضمين (المسمى داخلياً RankEmbed) “identifies a few more documents to add to those identified by the traditional retrieval” (الترجمة العربية): «يحدد بضعة مستندات إضافية لتضاف إلى المستندات التي عثر عليها الاسترجاع التقليدي». لم يمت الاسترجاع بالكلمات المفتاحية؛ بل اكتسب شريكاً واعياً بالمعنى.

كيف بنى Google البحث الدلالي — المحطات

كان التطور تدريجياً. لم يقلب تحديث واحد Google من «الكلمات المفتاحية» إلى «المعنى» — بل كانت طبقات امتدت عقداً، وتحل كل طبقة مشكلة متميزة.

2012 — Knowledge Graph («الأشياء لا السلاسل النصية»)

قاعدة بيانات Google للكيانات الواقعية وعلاقاتها. وما زالت صياغة إطلاق Amit Singhal — “things, not strings” (الترجمة العربية): «الأشياء لا السلاسل النصية» — أفضل شرح مختصر منفرد للتحول الدلالي. أُطلقت مع 500+ مليون كيان و3,5+ مليار حقيقة؛ وتهم الصياغة أكثر من الأرقام. وهذا ما يتيح لـGoogle إزالة الغموض عن «Taj Mahal» (نصب أو موسيقي أو كازينو) والإجابة عن أسئلة الكيانات مباشرة. Knowledge Graph هو العمود الفقري للكيانات الذي تعتمد عليه بقية المنظومة — وأتعمق فيه في SEO الكيانات.

2013 — Hummingbird (معنى الاستعلام الكامل)

إعادة كتابة كاملة لمحرك استعلام Google الأساسي — ليست تعديلاً مثل Panda أو Penguin، بل محرك جديد. وصفه Singhal بأنه التغيير الأكثر دراماتيكية منذ 2001. كان الهدف هو الاستعلامات الحوارية والطويلة: الانتباه إلى الاستعلام الكامل — الجملة كاملة والمعنى — بدلاً من كلمات بعينها. ويلخص Danny Sullivan الأمر جيداً: Hummingbird “is paying more attention to each word in a query, ensuring that the whole query… is taken into account, rather than particular words.” (الترجمة العربية): «يولي اهتمامًا أكبر لكل كلمة في الاستعلام، ويضمن أخذ الاستعلام كاملًا في الحسبان بدلًا من كلمات بعينها». ويقول Google إنه أثر في 90% من عمليات البحث. (وهو مدرج الآن باعتباره متقاعداً في دليل أنظمة الترتيب — واستُبدل بالأنظمة التي تطورت منه.)

2015 — RankBrain (الاستعلامات غير المسبوقة)

تطبيق التعلم الآلي على تفسير الاستعلامات. كانت مهمة RankBrain هي نحو 15% من الاستعلامات اليومية التي لم يرها Google من قبل — إذ يحول استعلاماً غير مألوف إلى متجه رياضي ويعثر على استعلامات مشابهة مفهومياً يفهمها. ووصف Greg Corrado، عالم Google الذي أكد الأمر (عبر Bloomberg لا منشور في مدونة Google)، النظام بأنه يضمّن “vast amounts of written language into mathematical entities — called vectors — that the computer can understand” (الترجمة العربية): «كميات هائلة من اللغة المكتوبة في كيانات رياضية تُسمى المتجهات، يستطيع الحاسوب فهمها». وبحلول 2016 كان يعالج كل استعلام. لاحظ الحد الفاصل: يرسم RankBrain الاستعلامات المجهولة إلى مفاهيم معروفة؛ وهو ليس BERT نفسه.

2018 — المطابقة العصبية (المرادفات على مستوى المفهوم)

حيث ربط RankBrain الاستعلامات بالمفاهيم، وسعت المطابقة العصبية مطابقة المفاهيم إلى جانب المستند — فربطت مفاهيم الاستعلام بمفاهيم الصفحة حتى عندما لا تشترك في المفردات. ووصف Danny Sullivan الأمر بلغة بسيطة: “Last few months, Google has been using neural matching, [an] AI method to better connect words to concepts. Super synonyms, in a way, and impacting 30% of queries.” (الترجمة العربية): «خلال الأشهر القليلة الماضية استخدم Google المطابقة العصبية، وهي طريقة للذكاء الاصطناعي تصل الكلمات بالمفاهيم على نحو أفضل؛ إنها أشبه بمرادفات فائقة، وتؤثر في 30% من الاستعلامات». والمثال الكلاسيكي: يمكن لعبارة «why does my television look strange» أن تعرض نتائج عن «soap opera effect» — وهو مفهوم لا تسميه أي من العبارتين. (وكشفت شهادة وزارة العدل الأمريكية في 2023 أن هذا النظام يسمى داخلياً RankEmbed / RankEmbedBERT.)

2019 — BERT (معنى الكلمة في سياقها)

الاختراق الكبير في معالجة اللغة الطبيعية. يقرأ BERT (تمثيلات الترميز ثنائية الاتجاه من المحوّلات) الكلمة في سياقها — بالنظر إلى الكلمات التي تسبقها والتي تليها، لا من اليسار إلى اليمين واحدة في كل مرة. وهذا ما يتيح له فهم كيف تغير كلمة «to» معنى «2019 brazil traveler to usa need a visa» (مسافر برازيلي إلى الولايات المتحدة، وهو ما كانت الأنظمة الأقدم تفهمه بالعكس). ووصف Pandu Nayak ذلك بأنه “biggest leap forward in the past five years, and one of the biggest leaps forward in the history of Search,” (الترجمة العربية): «أكبر قفزة إلى الأمام خلال السنوات الخمس الماضية، وإحدى أكبر القفزات في تاريخ البحث»، مؤثراً في استعلام إنجليزي أمريكي واحد من كل عشرة عند الإطلاق، والآن في معظمها تقريباً. وهذا أيضاً التحديث الذي يسيء خبراء SEO قراءته أكثر من غيره: كان رد Danny Sullivan مباشراً — “There’s nothing to optimize for with BERT.” (الترجمة العربية): «لا يوجد شيء ينبغي تحسينه خصيصًا من أجل BERT».

2021 — MUM (متعدد الوسائط واللغات)

النموذج الموحد متعدد المهام — بُني على إطار T5، ودُرّب عبر 75 لغة، وقادر على فهم المعلومات عبر النصوص والصور. يقول Google إنه أقوى بـ 1 000× من BERT، وعلى خلاف BERT يستطيع فهم اللغة وتوليدها. تنبيه مهم: يُستخدم MUM في حالات محددة عالية التعقيد (الأسئلة المعقدة متعددة الخطوات، وبعض المقتطفات المميزة، والتسوق) — ولم يكن أبداً محرك الترتيب العام لدى Google، ولم «يستبدل» BERT.

2023+ — نماذج اللغة الكبيرة والبحث بالذكاء الاصطناعي

يغذي الاسترجاع الدلالي الآن الإجابات التوليدية. تستخدم AI Overviews وAI Mode الاسترجاع نفسه القائم على المعنى للعثور على المقاطع ذات الصلة، ثم يصوغ نموذج لغوي كبير الإجابة — راجع RAG. تحدد الطبقة الدلالية ما الذي يُسترجع ويُقتبس؛ أما النموذج فيكتبه فقط.

البحث الدلالي مقابل البحث المتجهي

غالباً ما يختلط هذان الأمران، لذا كن دقيقاً:

• البحث الدلالي هو الهدف — الاسترجاع حسب المعنى والنية.
• البحث المتجهي هو تطبيق واحد — تمثيل الاستعلامات والمستندات كمتجهات كثيفة والعثور على أقرب الجيران حسب مسافة جيب التمام.

البحث المتجهي هو التطبيق الحديث الأكثر شيوعاً، لكنه ليس الطريق الوحيد إلى البحث الدلالي: فالتوسع في الاستعلام، وقواعد المرادفات، وعمليات بحث Knowledge Graph، والتعرف على الكيانات كلها توصلك إلى النتيجة من دون حساب تضمين واحد. فكر في البحث الدلالي بوصفه الوجهة، والبحث المتجهي بوصفه مركبة واحدة (سريعة وقابلة للتوسع). وتغطي مقالات التضمينات والبحث المتجهي آليات المركبة — embeddings وتشابه جيب التمام والبحث عن أقرب الجيران؛ ولن أعيد اشتقاقها هنا.

كيف يعمل فعلياً من الداخل

أربعة أجزاء متحركة، بالترتيب التقريبي:

1. فهم الاستعلام — تصنيف النية (معلوماتية، أو ملاحية، أو معاملات، أو تجارية)، واستخراج الكيانات، وتوسيع المرادفات/المفاهيم. هذا مجال RankBrain وBERT.
2. التعرف على الكيانات + Knowledge Graph — تحديد الأشياء الواقعية التي يتحدث عنها الاستعلام والمستند، وإزالة الغموض عنها. نحو 40% من الكلمات الإنجليزية لها معانٍ متعددة؛ والسياق يحسم المعنى المقصود.
3. التضمينات والتشابه الدلالي — ترميز المعنى كمتجهات بحيث تقع «fix a leaky faucet» و«repairing a dripping tap» متقاربتين (~0,89 من التشابه رغم اشتراكهما بالكاد في كلمة واحدة). راجع الغوص المتخصص في التضمينات.
4. ترتيب المقاطع وإعادة الترتيب العصبية — منذ 2020، يمكن أن يحتل كل مقطع من الصفحة ترتيباً لاستعلام حتى عندما لا تكون الصفحة كاملة مستهدفة تماماً، ويعيد نظام ترتيب عصبي ترتيب المجموعة التي استرجعتها الكلمات المفتاحية حسب الملاءمة الدلالية. ولهذا يحتاج كل قسم إلى الوقوف وحده.

خرافة LSI keywords

هذا الأمر مهم لأنه يقود كثيراً من النصائح السيئة. إن «LSI keywords» (الفهرسة الدلالية الكامنة) تقنية استرجاع معلومات من عام 1988، ولم يؤكد Google أبداً استخدامها كمدخل للترتيب. وقد قال John Mueller بوضوح: “There’s no such thing as LSI keywords — anyone who’s telling you otherwise is mistaken, sorry.” (الترجمة العربية): «لا يوجد شيء اسمه كلمات LSI المفتاحية؛ ومن يخبرك بخلاف ذلك فهو مخطئ، آسف». وما يستخدمه Google فعلياً أكثر تطوراً بكثير — المطابقة العصبية وBERT وتضمينات الكلمات والتعرف على الكيانات. لذلك عندما تسلمك أداة قائمة بـ«LSI keywords»، فالفائدة في تلك القائمة ليست جزء LSI؛ بل أن المصطلحات تعكس مفردات الموضوع. غطِّ الموضوع طبيعياً وستحصل على ذلك مجاناً.

ماذا يعني البحث الدلالي لـ SEO

دفعت كل تحديثات المعنى الرئيسية في الاتجاه نفسه، ما يجعل دليل العمل مستقراً على نحو غير معتاد:

• تغطية الموضوع تتفوق على كثافة الكلمات المفتاحية. يحكم Google على ما إذا كانت الصفحة تغطي موضوعاً بدقة، لا على إصابتها كلمة مفتاحية n مرة. وتحتل التغطية العميقة ترتيباً لعشرات الاستعلامات المرتبطة التي لم تستهدفها منفردة.
• تحسين الكيانات. سمِّ كياناتك واشرحها بوضوح؛ واستخدم البيانات المنظمة (sameAs و@id) لإزالة الغموض عنها مقارنة بـWikipedia/Wikidata. وهذا هو تخصص SEO الكيانات.
• مواءمة النية غير قابلة للتفاوض. يصنف Google نية الاستعلام ويصفي النتائج وفقاً لها. لن تحتل صفحة تجيب عن نية مختلفة عن نية الاستعلام ترتيباً مهما كان تطابق الكلمات المفتاحية جيداً.
• اكتب طبيعياً. مع قراءة BERT للسياق، تحمل حروف الجر وبنية الجملة معنى. وما زالت نصيحة Gary Illyes بشأن RankBrain صالحة: “If you try to write like a machine then RankBrain will just get confused and probably just pushes you back.” (الترجمة العربية): «إذا حاولت الكتابة كالآلة، فسيرتبك RankBrain وعلى الأرجح سيؤخرك».
• تُعالج المرادفات نيابة عنك. لا تحتاج إلى كل تنويع؛ فتغطية مفردات الموضوع الطبيعية تشير إلى العمق من دون حشو.
• جودة مستوى المقطع. ينبغي لكل H2/قسم أن يقف وحده كإجابة نظيفة مكتفية ذاتياً — فهذا ما يسترجعه ترتيب المقاطع وAI Overviews.

متى يقل أثر SEO الدلالي

اختبار أمانة: بالنسبة إلى نشاط محلي يقدم خدمة واحدة أو موقع محدود المحتوى، قد لا تؤتي أعمال الكيانات والسلطة الموضوعية المكثفة ثمارها. يظهر العائد عندما تنافس على عمق معلوماتي عبر موضوع. وكما قالت Sally Mills: “If you do SEO properly, you’re automatically doing semantic SEO. It’s just that most people aren’t doing it properly.” (الترجمة العربية): «إذا نفّذت SEO على الوجه الصحيح فأنت تطبّق SEO الدلالي تلقائياً؛ لكن معظم الناس لا ينفّذون SEO كما ينبغي». ولن يتحول Google إلى دلالي خالص في أي وقت قريب — فالاسترجاع الدلالي الكامل مكلف، وما زال التطابق الدقيق سلوكاً شائعاً للمستخدمين، كما تظل النتائج الدلالية الخالصة غير موثوقة. يتعايش استرجاع الكلمات المفتاحية والفهم الدلالي.

كيف يبني بحث الذكاء الاصطناعي على ذلك

AI Overviews وAI Mode والمساعدون الذكيون هم البحث الدلالي مع التوليد. يسترجعون المقاطع حسب المعنى (عادةً بالاسترجاع الكثيف — راجع RAG والبحث المتجهي) ثم يكتب نموذج لغوي كبير الإجابة. وتأطير Bing للتحول دقيق: ففهرسة المصادر، بحسب كلماته، “is being built to help AI systems decide what to say.” (الترجمة العربية): «يجري بناؤها لمساعدة أنظمة الذكاء الاصطناعي على تحديد ما ستقوله». والنتيجة العملية: الأشياء نفسها التي تجعل المقطع يحتل ترتيباً جيداً — كيانات واضحة، وأقسام مكتفية ذاتياً، وعمق موضوعي — هي التي تجعل احتمال الاقتباس منه في إجابة للذكاء الاصطناعي أكبر. لا توجد حيلة منفصلة.

ملخص الذكاء الاصطناعي

خلاصة مكثفة لنسخة Advanced:

• البحث الدلالي = الاسترجاع حسب المعنى، لا التطابق الدقيق للكلمات المفتاحية. هذا التمييز هو الفكرة كلها. يجب أن يعيد «Fix a leaky faucet» و«repairing a dripping tap» النتائج نفسها رغم عدم اشتراكهما في كلمات.
• إنه يدعم البحث بالكلمات المفتاحية ولا يستبدله. ما زال الاسترجاع على نمط BM25 يعمل أولاً على نطاق واسع (السرعة + الاستدعاء)؛ ثم تعيد الأنظمة العصبية ترتيب المستندات وتضيف مستندات مطابقة للمفهوم. وأكدت شهادة وزارة العدل الأمريكية طبقة تضمين Google (RankEmbed) التي تضيف مستندات إلى الاسترجاع التقليدي.
• بنى Google ذلك على طبقات: Knowledge Graph (2012، «الأشياء لا السلاسل النصية») → Hummingbird (2013، معنى الاستعلام الكامل، 90% من عمليات البحث) → RankBrain (2015، استعلامات جديدة) → المطابقة العصبية (2018، «مرادفات فائقة» على مستوى المفهوم، 30% من الاستعلامات) → BERT (2019، معنى الكلمات في السياق، استعلام واحد من كل عشرة) → MUM (2021، متعدد الوسائط، 75 لغة، ولم يكن محرك الترتيب العام).
• البحث الدلالي ≠ البحث المتجهي. البحث الدلالي هو الهدف؛ والبحث المتجهي تطبيق واحد (ومن التطبيقات الأخرى: توسيع الاستعلام، وقواعد المرادفات، وعمليات بحث Knowledge Graph).
• «LSI keywords» خرافة — قال John Mueller ذلك مباشرة. يستخدم Google بدلاً منها المطابقة العصبية وBERT والتضمينات.
• دليل عمل SEO (لم يتغير خلال عقد): تغطية الموضوع بدلاً من كثافة الكلمات المفتاحية، وكيانات واضحة + بيانات منظمة، ومواءمة النية، وكتابة بلغة طبيعية، وجودة مستوى المقطع. ما زال بحث الكلمات المفتاحية مهماً؛ أما حشوها فلا.
• بحث الذكاء الاصطناعي = استرجاع دلالي + توليد. ما يحتل ترتيباً جيداً (كيانات واضحة، ومقاطع مكتفية ذاتياً، وعمق) هو ما يُقتبس.

الوثائق الرسمية

وثائق وإعلانات من المصادر الأساسية لدى Google وMicrosoft.

Google

• دليل أنظمة ترتيب بحث Google — أوصاف رسمية حالية لـBERT والمطابقة العصبية وRankBrain وMUM وترتيب المقاطع (وقائمة الأنظمة المتقاعدة، ومنها Hummingbird).
• تقديم Knowledge Graph: الأشياء لا السلاسل النصية — إطلاق الكيانات في 2012 وصياغة “things, not strings” (الترجمة العربية): «الأشياء لا السلاسل النصية».
• فهم عمليات البحث أفضل من أي وقت مضى (BERT) — إعلان Pandu Nayak عن BERT في 2019، مع أمثلة التأشيرة وخبيرة التجميل.
• MUM: محطة جديدة للذكاء الاصطناعي في فهم المعلومات — النموذج متعدد الوسائط واللغات في 2021.
• كيف يدعم الذكاء الاصطناعي نتائج البحث الرائعة — نظرة Google على كيفية اجتماع RankBrain والمطابقة العصبية وBERT وMUM.

Microsoft / Bing

• العلم وراء البحث الدلالي (Azure AI) — “a Transformer-based semantic ranking engine that understands the meaning behind the text” (الترجمة العربية): «محرك ترتيب دلالي قائم على Transformer يفهم المعنى الكامن وراء النص».
• الترتيب الدلالي في Azure AI Search — نمط الاسترجاع BM25/RRF ثم إعادة الترتيب بالمحول، موضحاً بالتفصيل.
• نحو بحث أكثر ذكاءً: التعلم العميق لدلالات الاستعلام — عمق تقني نادر في الترتيب العصبي لدى Bing قبل BERT (متجهات GloVe، وشبكة CNN + تشابه جيب التمام).
• تقديم Deep Search — من أقدم الأوصاف العامة لتوسيع الاستعلام على نطاق الإنتاج.

اقتباسات من المصدر

تصريحات مسجلة من ممثلي Google وMicrosoft. وحيث يتوفر رابط عميق، فإنه يقفز إلى المقطع المقتبس في صفحة المصدر.

Google — التحول الدلالي

• “Things, not strings.” (الترجمة العربية): «الأشياء لا السلاسل النصية». — Amit Singhal، عند تقديم Knowledge Graph في 2012. الانتقال إلى الاقتباس

Google — BERT (Pandu Nayak، 2019)

• “BERT models can therefore consider the full context of a word by looking at the words that come before and after it — particularly useful for understanding the intent behind search queries.” (الترجمة العربية): «يمكن لنماذج BERT لذلك أن تراعي السياق الكامل للكلمة بالنظر إلى الكلمات التي تسبقها وتليها، وهو أمر مفيد خصوصًا لفهم القصد وراء استعلامات البحث».
• “[The] biggest leap forward in the past five years, and one of the biggest leaps forward in the history of Search.” (الترجمة العربية): «أكبر قفزة إلى الأمام خلال السنوات الخمس الماضية، وإحدى أكبر القفزات في تاريخ البحث».
• “Language understanding remains an ongoing challenge, and it keeps us motivated to continue to improve Search.” (الترجمة العربية): «يظل فهم اللغة تحدياً مستمراً يدفعنا إلى مواصلة تحسين البحث». الانتقال إلى الاقتباس

Danny Sullivan، مسؤول التواصل في Google Search

• حول المطابقة العصبية (2018): “Last few months, Google has been using neural matching — AI method to better connect words to concepts. Super synonyms, in a way, and impacting 30% of queries.” (الترجمة العربية): «استخدم Google في الأشهر الأخيرة المطابقة العصبية لربط الكلمات بالمفاهيم بصورة أفضل؛ فهي أشبه بمرادفات فائقة وتؤثر في 30% من الاستعلامات».
• “RankBrain helps Google better relate pages to concepts. Neural matching helps Google better relate words to searches. It’s like a super synonym system.” (الترجمة العربية): «يساعد RankBrain ‏Google على ربط الصفحات بالمفاهيم، بينما تساعد المطابقة العصبية على ربط الكلمات بعمليات البحث؛ فهي كنظام مرادفات فائق».
• حول التحسين لـBERT (2019): “There’s nothing to optimize for with BERT, nor anything for a site owner to be ‘concerned’ about. The fundamentals of us seeking to reward great content remain unchanged.” (الترجمة العربية): «لا يوجد ما ينبغي تحسينه خصيصًا من أجل BERT، ولا ما يستدعي قلق مالك الموقع؛ فأسس سعينا إلى مكافأة المحتوى الممتاز لم تتغير».

Gary Illyes، Google

• حول الكتابة لـRankBrain (Big Digital Adelaide، 2016): “Optimizing for RankBrain is actually super easy… write in natural language. Try to write content that sounds human. If you try to write like a machine then RankBrain will just get confused and probably just pushes you back.” (الترجمة العربية): «التحسين لـRankBrain سهل جدًا في الواقع: اكتب بلغة طبيعية، وحاول أن يبدو المحتوى بشريًا. فإذا كتبت كالآلة، فسيرتبك RankBrain وعلى الأرجح سيؤخرك».

John Mueller، Google

• حول خرافة LSI (Twitter، 30 يوليو 2019): “There’s no such thing as LSI keywords — anyone who’s telling you otherwise is mistaken, sorry.” (الترجمة العربية): «لا وجود لما يسمى كلمات LSI المفتاحية؛ ومن يدّعي غير ذلك فهو واهم، آسف».

Greg Corrado، Google (عن RankBrain، عبر Bloomberg، 2015)

يقول Greg Corrado في وصف RankBrain:

• “RankBrain uses artificial intelligence to embed vast amounts of written language into mathematical entities — called vectors — that the computer can understand. If RankBrain sees a word or phrase it isn’t familiar with, the machine can make a guess as to what words or phrases might have a similar meaning and filter the result accordingly.” (الترجمة العربية): «يستخدم RankBrain الذكاء الاصطناعي لتضمين كميات هائلة من اللغة المكتوبة في كيانات رياضية تُسمى المتجهات ويمكن للحاسوب فهمها. وإذا رأى كلمة أو عبارة لا يعرفها، استطاع تخمين الكلمات أو العبارات ذات المعنى المشابه وتصفية النتيجة وفقًا لذلك».

Pandu Nayak، Google (شهادة مكافحة الاحتكار أمام وزارة العدل، 2023)

• “RankEmbed identifies a few more documents to add to those identified by the traditional retrieval.” (الترجمة العربية): «يحدد RankEmbed بضعة مستندات إضافية لتضاف إلى ما حدده الاسترجاع التقليدي». وهذا يؤكد أن طبقة التضمين الدلالي لدى Google تدعم استرجاع الكلمات المفتاحية الكلاسيكي بدلاً من استبداله.

Microsoft — Azure AI / Bing: البحث الدلالي

• “Semantic search is moving beyond keyword-based ranking to a Transformer-based semantic ranking engine that understands the meaning behind the text.” (الترجمة العربية): «ينتقل البحث الدلالي من الترتيب القائم على الكلمات المفتاحية إلى محرك ترتيب دلالي قائم على Transformer يفهم المعنى الكامن وراء النص». — Microsoft Research، 2021.

محطات Google الدلالية — ورقة الغش

المكدس الطبقي بالترتيب. حلت كل طبقة مشكلة مختلفة؛ ولم تستبدل أي منها ما قبلها.

فروق سريعة يجب إبقاؤها واضحة

• RankBrain مقابل BERT — يرسم RankBrain الاستعلامات المجهولة إلى مفاهيم معروفة؛ ويفهم BERT المعنى السياقي للكلمات داخل جملة الاستعلام.
• البحث الدلالي مقابل البحث المتجهي — البحث الدلالي هو الهدف؛ والبحث المتجهي تطبيق واحد (ومن التطبيقات الأخرى: توسيع الاستعلام وقواعد المرادفات وعمليات بحث Knowledge Graph).
• SEO الدلالي — تغطية الموضوع وعلاقات الكيانات ومواءمة النية. وليس حشو المرادفات، وبالتأكيد ليس «LSI keywords» (خرافة — راجع المقال).
• لم يمت البحث بالكلمات المفتاحية — ما زال الاسترجاع على نمط BM25 يعمل أولاً؛ ثم تعيد الأنظمة الدلالية ترتيب المستندات المطابقة للمفاهيم وتضيفها.

النماذج الذهنية

1. الهدف مقابل التطبيق. البحث الدلالي هو الوجهة (الاسترجاع حسب المعنى). والبحث المتجهي مركبة واحدة للوصول إليها (التضمينات + أقرب الجيران). ويمكنك أيضاً المشي إليها — بتوسيع الاستعلام وقواعد المرادفات وعمليات بحث الكيانات. لا تخلط بين الوجهة ومسار واحد.

2. المكدس الطبقي، لا المفتاح. Knowledge Graph (الكيانات) + RankBrain (الاستعلامات المجهولة) + المطابقة العصبية (مرادفات المفاهيم) + BERT (سياق الكلمات) + MUM (متعدد الوسائط). تتراكم هذه الطبقات وتتعاون؛ ولم يطرح أي تحديث الطبقة السابقة. عندما تفكر في «كيف يفهم Google هذا الاستعلام؟»، اسأل أي طبقة تؤدي العمل.

3. الاسترجاع ذو مرحلتين. المرحلة 1: سريعة ومعتمدة على الكلمات المفتاحية وعالية الاستدعاء (BM25 فوق فهرس معكوس). المرحلة 2: إعادة ترتيب عصبية + إضافات مطابقة للمفاهيم. البحث الدلالي هو غالباً المرحلة 2 — إنه يدعم المرحلة 1 ولا يحذفها.

4. ثابت التحسين. يشير كل تحديث دلالي إلى الاتجاه نفسه: لغة طبيعية، وعمق موضوعي، وكيانات واضحة، ومواءمة النية. إذا كانت الحيلة لا معنى لها إلا لمحرك يعد الكلمات المفتاحية (الحشو، والهوس بالتطابق الدقيق، و«LSI keywords»)، فأنت تحسن لمحرك لم يعد موجوداً.

5. قاعدة «ما الذي يُقتبس» في بحث الذكاء الاصطناعي. إجابات الذكاء الاصطناعي = استرجاع دلالي + توليد. وما يجعل المقطع يحتل ترتيباً (كيانات واضحة، وأقسام مكتفية ذاتياً، وعمق) هو ما يجعله يُسترجع ويُقتبس. لا توجد حيلة منفصلة لبحث الذكاء الاصطناعي — إنها جودة مستوى المقطع نفسها.

أخطاء البحث الدلالي

بناء صفحات حول قوائم «LSI keywords»

تنسب نصيحة LSI إلى الاسترجاع الحديث طريقة عمل خاطئة. غطِّ الموضوع طبيعياً، وسمِّ الكيانات والعلاقات الحقيقية، وأجب عن نية المستخدم بدلاً من إضافة قائمة مرادفات مولدة آلياً.

معاملة البحث الدلالي والبحث المتجهي كمرادفين

الاسترجاع الدلالي هو هدف مطابقة المعنى؛ أما المتجهات فهي إحدى الطرق التي يمكن أن تدعمه. أبقِ التمييز واضحاً عند تقييم نظام أو اختيار تدقيق.

تكرار المصطلح الرئيسي بدلاً من إزالة الغموض

لا يوضح التكرار الإضافي الكيان أو النية التي تخدمها الصفحة. استخدم أسماء وسمات وسياقاً وموضوعات فرعية مترابطة صريحة حتى يبقى المعنى واضحاً خارج سلسلة كلمة مفتاحية واحدة.

اختبر نفسك: البحث الدلالي

موارد تستحق وقتك

مراجعاتي ذات الصلة

• SEO الدلالي (Ahrefs) — دليل الممارس المتقدم (أنا مراجع فيه)، ويغطي نموذج EAV وسبب عدم تحول Google إلى دلالي خالص.

على هذا الموقع

• SEO الكيانات — التخصص العملي لتسمية الكيانات ووصفها وإزالة الغموض عنها (جانب Knowledge Graph في البحث الدلالي).
• التضمينات والبحث المتجهي — الآلية التقنية التي تجعل التشابه القائم على المعنى يعمل.
• RAG — كيف يسترجع بحث الذكاء الاصطناعي المقاطع ويؤسس الإجابات المولدة.

من الآخرين

• البحث الدلالي — دليل Ahrefs لـ Mateusz Makosiewicz عن الاسترجاع القائم على المعنى والكيانات والمحتوى.
• Knowledge Graph لدى Google — دليل Ahrefs لـ Despina Gavoyannis وMichal Pecánek عن بيانات الكيانات وSEO.
• مسرد RankBrain ومسرد Hummingbird (Ahrefs) — مدخلات مرجعية سريعة من فريق Ahrefs التحريري.
• دليل أنظمة ترتيب البحث لدى Google — القائمة المرجعية لما هو حي وما هو متقاعد.
• SEO by the Sea — مراجعة Hummingbird — تاريخ تفصيلي مع سياق Singhal.
• Google Hummingbird (Search Engine Land) — تقرير إعلان Danny Sullivan الأصلي في 2013 مع اقتباسات Singhal؛ المصدر الأساسي لعبارة «90% من عمليات البحث» ومعنى العبارة الكاملة.
• تعرّف إلى RankBrain، خوارزمية البحث بالذكاء الاصطناعي لدى Google (Search Engine Land) — التقرير الأصلي في 2015 عن RankBrain، مع اقتباسات Greg Corrado الحرفية عن المتجهات والاستعلامات المجهولة.
• المطابقة العصبية لدى Google (Search Engine Journal) — يغطي إطلاق المطابقة العصبية في 2018 وتغريدة Danny Sullivan عن «super synonyms» والتمييز عن RankBrain.
• الأسئلة الشائعة: كل ما يتعلق بخوارزمية BERT في بحث Google (Search Engine Land) — أسئلة وأجوبة شاملة تشمل إرشاد Danny Sullivan «nothing to optimize for».
• تحويل Google بحث الويب المربح إلى آلات ذكاء اصطناعي (Bloomberg) — الكشف الأصلي عن RankBrain؛ يؤكد Greg Corrado أنه «third-most important signal».
• العلم وراء البحث الدلالي: كيف يدعم ذكاء Bing الاصطناعي Azure Cognitive Search (Microsoft Research) — شرح خط أنابيب Bing من BM25 إلى إعادة الترتيب بالمحول؛ ويتضمن بيانات رفع CTR بنسبة 2% / 4,5% من اختبارات Microsoft Docs.

فيديوهات

• Google Search Central (YouTube) — سلسلة How Google Search Works، بما فيها الشروحات الخاصة بفهم الاستعلام والأنظمة التي تقف وراءه. القناة

إحصاءات تستحق الاقتباس

• نحو 40% من الكلمات الإنجليزية لها معانٍ متعددة — ولهذا يستخدم البحث الدلالي السياق (الموقع والتاريخ والكلمات المحيطة) لإزالة الغموض عن «apple» أو «jaguar». المصدر
• تشابه متجهي بنحو 0,89 بين «how to fix a leaky faucet» و«repairing a dripping tap» — رغم اشتراكهما في كلمات قليلة جداً. الوجه الملموس للمطابقة القائمة على المعنى. المصدر
• تؤثر المطابقة العصبية في نحو 30% من الاستعلامات (Danny Sullivan، 2018) — نطاق مطابقة «super synonym» على مستوى المفهوم.
• أثر BERT في استعلام أمريكي إنجليزي واحد من كل 10 عند الإطلاق (Pandu Nayak، 2019)، وما زال يؤدي دوراً في كل استعلام إنجليزي تقريباً. المصدر
• يحتوي Knowledge Graph اليوم على نحو 1,6 تريليون حقيقة حول نحو 54 مليار كيان (بعد أن بدأ بـ500M كيان عند إطلاقه في 2012) — مقياس العمود الفقري للكيانات لدى Google. المصدر

سجل التغييرات