Panduan Semantic Penelusuran

TL;DR — Semantic penelusuran berarti mesin pencari match meaning dari apa Anda’re looking untuk, tidak hanya tepat kata Anda typed. Google figures out “apa melakukan ini person sebenarnya ingin?” (terjemahan) “apa melakukan ini person sebenarnya ingin?” dan “what is this page really about?” (terjemahan) “apa adalah ini halaman benar-benar tentang?” — lalu connects dua. ini adalah mengapa Anda tidak memiliki untuk repeat keywords di atas dan di atas anymore, dan mengapa writing naturally tentang sebuah topic berfungsi better daripada stuffing ini dengan phrases.

Apa semantic penelusuran adalah

Semantic penelusuran seeks matches berdasarkan meaning dan context di addition untuk tepat istilah. Bukti untuk klaim ini BERT learns bidirectional contextual language representations that can be fine-tuned for search-relevant language tasks. Cakupan: BERT research; semantic retrieval systems may use many other models and signals. Tingkat keyakinan: tinggi · Diverifikasi: 2026-07-14 Devlin et al.: BERT Modern sistem dapat combine language models, lexical retrieval, entities, dan lainnya sinyal alih-alih rely pada satu technique. Bukti untuk klaim ini Google reported using BERT to better understand language and context in some Search queries. Cakupan: Google Search's documented rollout; it does not mean lexical matching was replaced or disclose the full ranking system. Tingkat keyakinan: tinggi · Diverifikasi: 2026-07-14 Google: Understanding searches better than ever before

untuk sebuah panjang time, mesin pencari mostly counted kata. jika Anda searched “cheap flights,” (terjemahan) “cheap flights,” mereka looked untuk halaman dengan kata “cheap” (terjemahan) “cheap” dan “flights” (terjemahan) “flights” pada them. berguna, tetapi dumb — ini memiliki Tidak idea itu “affordable airfare” (terjemahan) “affordable airfare” berarti yang sama hal, atau itu “jaguar” (terjemahan) “jaguar” dapat menjadi sebuah animal atau sebuah car.

Semantic penelusuran memperbaiki itu. alih-alih matching letters dan kata, ini tries untuk memahami meaning. Dua ideas drive ini:

• Understanding apa Anda berarti. Google membaca Anda seluruh kueri sebagai sebuah kalimat, tidak sebuah bag dari keywords. ini berfungsi out Anda intent — adalah Anda trying untuk buy sesuatu, learn sesuatu, atau temukan sebuah spesifik situs?
• Understanding apa sebuah halaman adalah tentang. ini figures out topics sebuah halaman covers dan dunia nyata hal (orang, places, products) ini mentions — tidak hanya yang kata muncul.

sebuah baik cara untuk picture ini: searching “bagaimana untuk perbaiki a leaky faucet” (terjemahan) “cara perbaiki sebuah leaky faucet” dan “repairing a dripping tap” (terjemahan) “repairing sebuah dripping tap” seharusnya mengembalikan sama hasil, bahkan though itu phrases share hampir Tidak kata. untuk sebuah keyword mesin mereka look unrelated. untuk sebuah semantic mesin mereka berarti sama hal.

Mengapa ini changed SEO

Ketika Google dipahami meaning, sebuah lot dari old tricks berhenti berfungsi:

«- You don’t need to stuff keywords. Google already knows synonyms and related terms. Repeating “best running shoes” twenty times doesn’t help — it can hurt.

• You don’t need a separate page for every wording. “Python tutorial,” “Python guide,” and “learn Python” all mean roughly the same thing, so Google picks one page to rank for all of them. Splitting them across pages just competes with yourself.
• Covering a topic well beats hitting a keyword count. A page that genuinely answers a question — with the related details a reader would want — outperforms one that just mentions the keyword a lot. » (Terjemahan) (Ringkasan bahasa Indonesia untuk bagian dua belas, bagian kecil satu: teks sumber dipertahankan agar dapat diperiksa dalam tinjauan penutur asli.)

hal sebagian besar orang mendapatkan wrong

Semantic penelusuran tidak berarti keywords adalah dead. Keyword research masih tells Anda apa orang penelusuran untuk dan bagaimana sering. Apa died adalah keyword stuffing dan idea itu Anda harus repeat tepat phrases. dan untuk menjadi jelas: “LSI keywords” (terjemahan) “LSI keywords” adalah tidak sebuah nyata hal. Google’s John Mueller mengatakan so secara langsung. Sprinkling “semantically related keywords” (terjemahan) “semantically related keywords” dari sebuah alat tidak bagaimana ini berfungsi — covering topic naturally adalah.

ingin penuh history (graf pengetahuan, Hummingbird, RankBrain, BERT, MUM) dan teknis detail dari bagaimana ini berfungsi? Switch untuk Advanced tab.

TL;DR — Semantic penelusuran retrieves oleh meaning, tidak tepat keyword match. Google dibangun ini di layers — graf pengetahuan (2012), Hummingbird (2013), RankBrain (2015), neural matching (2018), BERT (2019), MUM (2021) — setiap solving sebuah berbeda piece (entities, seluruh-kueri meaning, novel kueri, concept-tingkat synonyms, contextual kata meaning, multimodal reasoning). mereka augment keyword retrieval (BM25 masih berjalan pertama di scale), mereka jangan replace ini. Semantic penelusuran adalah goal; pencarian vektor adalah satu implementation. “LSI keywords” (terjemahan) “LSI keywords” adalah sebuah myth. optimization jawaban hasn’t changed di sebuah decade: natural language, topical depth, jelas entities, intent alignment.

Keyword penelusuran vs. semantic penelusuran

Keyword dan semantic retrieval adalah complementary, tidak mutually exclusive eras. Bukti untuk klaim ini BERT learns bidirectional contextual language representations that can be fine-tuned for search-relevant language tasks. Cakupan: BERT research; semantic retrieval systems may use many other models and signals. Tingkat keyakinan: tinggi · Diverifikasi: 2026-07-14 Devlin et al.: BERT Google’s publik explanations konfirmasi language-understanding sistem tanpa revealing menyelesaikan peringkat weights. Bukti untuk klaim ini Google reported using BERT to better understand language and context in some Search queries. Cakupan: Google Search's documented rollout; it does not mean lexical matching was replaced or disclose the full ranking system. Tingkat keyakinan: tinggi · Diverifikasi: 2026-07-14 Google: Understanding searches better than ever before

Classic retrieval peringkat documents oleh istilah statistics. TF-IDF (istilah frequency × inverse document frequency) weights sebuah kata oleh bagaimana sering ini muncul di sebuah document terhadap bagaimana rare ini adalah di seluruh corpus. BM25 (“Best Match 25” (terjemahan) “Best Match 25”) refines itu dengan length normalization dan sebuah saturation curve, dan ini adalah masih dominant pertama-stage baseline di Elasticsearch, Solr, dan Lucene — dan di dalam Google dan Bing. Powerful, fast, dan entirely tentang kata. ini memiliki Tidak idea itu “leaky faucet” (terjemahan) “leaky faucet” dan “dripping tap” (terjemahan) “dripping tap” berarti yang sama hal.

Semantic penelusuran menambahkan sebuah layer dari understanding pada top:

penting framing: semantic penelusuran augments keyword retrieval alih-alih replacing ini. di Google scale, sebuah inverted-indeks BM25-style lulus masih melakukan tinggi-recall pertama cut untuk speed, lalu neural sistem re-peringkat dan tambahkan documents itu share concepts tetapi tidak kata. Pandu Nayak’s 2023 DOJ testimony described persis ini — sebuah embedding sistem (internally RankEmbed) itu “identifies a few more documents to add to those identified by the traditional retrieval.” (terjemahan) “identifies sebuah sedikit lebih documents untuk tambahkan untuk itu identified oleh tradisional retrieval.” Keyword retrieval tidak die; ini mendapat sebuah meaning-aware partner.

Bagaimana Google dibangun semantic penelusuran — milestones

«The evolution was incremental. No single update flipped Google from “keywords” to “meaning” — it was a decade of layers, each solving a distinct problem. » (Terjemahan) (Ringkasan bahasa Indonesia untuk bagian dua puluh enam, bagian kecil satu: teks sumber dipertahankan agar dapat diperiksa dalam tinjauan penutur asli.)

2012 — graf pengetahuan (“things, not strings” (terjemahan) “hal, tidak strings”)

Google’s database dari dunia nyata entities dan mereka relationships. Amit Singhal’s launch framing — “things, not strings” (terjemahan) “hal, tidak strings” — adalah masih single best satu-line explanation dari semantic shift. ini launched dengan 500+ million entities dan 3,5+ billion facts; framing penting lebih daripada angka. ini adalah apa lets Google disambiguate “Taj Mahal” (terjemahan) “Taj Mahal” (monument, musician, atau casino) dan jawaban entity pertanyaan secara langsung. graf pengetahuan adalah entity backbone rest dari stack leans pada — I go deeper pada ini di entity SEO.

2013 — Hummingbird (seluruh-kueri meaning)

«A complete rewrite of Google’s core query engine — not a tweak like Panda or Penguin, but a new engine. Singhal called it the most dramatic change since 2001. The goal was conversational and long-tail queries: paying attention to the whole query — the whole sentence, the meaning — rather than particular words. Danny Sullivan’s contemporaneous summary captures it well: Hummingbird “is paying more attention to each word in a query, ensuring that the whole query… is taken into account, rather than particular words.” Google says it affected 90% of searches. (It’s now listed as retired in the Ranking Systems Guide — superseded by the systems that evolved out of it.) » (Terjemahan) (Ringkasan bahasa Indonesia untuk bagian tiga puluh satu, bagian kecil satu: teks sumber dipertahankan agar dapat diperiksa dalam tinjauan penutur asli.)

2015 — RankBrain (tidak pernah-sebelum-seen kueri)

«Machine learning applied to query interpretation. RankBrain’s job is the roughly 15% of daily queries Google had never seen before — it converts an unfamiliar query into a mathematical vector and finds conceptually similar queries it does understand. Greg Corrado, the Google scientist who confirmed it (via Bloomberg, not a Google blog post), described it as embedding “vast amounts of written language into mathematical entities — called vectors — that the computer can understand.” By 2016 it processed every query. Note the boundary: RankBrain maps unknown queries to known concepts; it’s not the same as BERT. » (Terjemahan) (Ringkasan bahasa Indonesia untuk bagian tiga puluh tiga, bagian kecil satu: teks sumber dipertahankan agar dapat diperiksa dalam tinjauan penutur asli.)

2018 — Neural matching (concept-tingkat synonyms)

Di mana RankBrain related kueri untuk concepts, neural matching extended concept-matching untuk document side — connecting sebuah kueri’s concepts untuk sebuah halaman’s concepts bahkan ketika mereka share Tidak vocabulary. Danny Sullivan’s plain-language deskripsi adalah best satu out di sana: “Terakhir sedikit months, Google memiliki telah menggunakan neural matching, [an] AI method untuk better connect words untuk concepts. Super synonyms, di a way, dan impacting 30% dari queries.” (terjemahan) “Terakhir sedikit months, Google memiliki telah menggunakan neural matching, [sebuah] AI metode untuk better connect kata untuk concepts. Super synonyms, di sebuah cara, dan impacting 30% dari kueri.” canonical contoh: “mengapa melakukan my television look strange” (terjemahan) “mengapa melakukan my television look strange” dapat surface hasil tentang “soap opera effect” (terjemahan) “soap opera effect” — sebuah concept neither phrase names. (Internally, 2023 DOJ testimony revealed ini lineage sebagai RankEmbed / RankEmbedBERT.)

2019 — BERT (contextual kata meaning)

big NLP breakthrough. BERT (Bidirectional Encoder Representations dari Transformers) membaca sebuah kata di context — looking di kata sebelum dan setelah ini, alih-alih left-untuk-right satu di sebuah time. itu’s apa lets ini catch bagaimana “untuk” (terjemahan) “untuk” perubahan meaning dari “2019 brazil traveler untuk usa perlu a visa” (terjemahan) “2019 brazil traveler untuk usa perlu sebuah visa” (sebuah Brazilian traveling untuk US, yang older sistem mendapat backwards). Pandu Nayak called ini “biggest leap forward di itu past five tahun, dan satu dari itu biggest leaps forward di itu history dari Penelusuran,” (terjemahan) “biggest leap forward di past five tahun, dan satu dari biggest leaps forward di history dari Penelusuran,” affecting 1 di 10 US English kueri di launch dan now nearly semua dari them. ini adalah juga perbarui SEOs sebagian besar sering misread: Danny Sullivan’s respons adalah blunt — “ada tidak ada apa pun untuk optimize untuk dengan BERT.” (terjemahan) “ada tidak ada apa pun untuk mengoptimalkan untuk dengan BERT.”

2021 — MUM (multimodal, multilingual)

«Multitask Unified Model — built on the T5 framework, trained across 75 languages, and able to understand information across text and images. Google says it’s 1,000× more powerful than BERT and, unlike BERT, can both understand and generate language. Important caveat: MUM is used for specific high-complexity cases (complex multi-step questions, certain featured snippets, shopping) — it was never Google’s general ranking engine, and it didn’t “replace” BERT. » (Terjemahan) (Ringkasan bahasa Indonesia untuk bagian tiga puluh sembilan, bagian kecil satu: teks sumber dipertahankan agar dapat diperiksa dalam tinjauan penutur asli.)

2023+ — LLMs dan AI penelusuran

Semantic retrieval now feeds generative jawaban. AI Overviews dan AI Mode gunakan sama meaning-based retrieval untuk temukan relevant passages, lalu sebuah LLM synthesizes sebuah jawaban — see RAG. semantic layer determines apa mendapatkan retrieved dan cited; model hanya menulis ini up.

Semantic penelusuran vs. pencarian vektor

ini mendapatkan blurred constantly, so menjadi precise:

• Semantic penelusuran adalah goal — retrieve oleh meaning dan intent.
• pencarian vektor adalah satu implementation — mewakili kueri dan documents sebagai dense vectors dan temukan nearest neighbors oleh cosine distance.

pencarian vektor adalah paling umum modern implementation, tetapi ini tidak satu-satunya path untuk semantic penelusuran: kueri expansion, synonym aturan, graf pengetahuan lookups, dan entity recognition semua mendapatkan Anda di sana tanpa computing sebuah single embedding. Think dari semantic penelusuran sebagai destination dan pencarian vektor sebagai satu (fast, scalable) vehicle. mechanics dari vehicle — embeddings, cosine similarity, nearest-neighbor penelusuran — adalah covered di embeddings dan pencarian vektor artikel; I tidak akan re-derive them di sini.

Bagaimana ini sebenarnya berfungsi di bawah hood

Four moving bagian, roughly di order:

1. kueri understanding — intent classification (informational, navigational, transactional, commercial), entity extraction, dan synonym/concept expansion. ini adalah RankBrain dan BERT territory.
2. Entity recognition + graf pengetahuan — identifying dunia nyata hal sebuah kueri dan sebuah document adalah tentang, dan disambiguating them. tentang 40% dari English kata memiliki multiple meanings; context resolves yang satu Anda berarti.
3. Embeddings dan semantic similarity — encoding meaning sebagai vectors so “perbaiki a leaky faucet” (terjemahan) “perbaiki sebuah leaky faucet” dan “repairing a dripping tap” (terjemahan) “repairing sebuah dripping tap” land close together (~0,89 similarity despite barely sharing sebuah kata). Deep dive di embeddings.
4. Passage peringkat dan neural re-peringkat — since 2020, individual passages dari sebuah halaman dapat peringkat untuk sebuah kueri bahkan ketika seluruh halaman tidak perfectly targeted, dan sebuah neural re-ranker reorders keyword-retrieved set oleh semantic fit. ini adalah mengapa setiap bagian perlu untuk stand pada -nya own.

LSI keyword myth

«This one matters because it drives a lot of bad advice. “LSI keywords” (Latent Semantic Indexing) is a 1988 information-retrieval technique that Google has never confirmed using as a ranking input. John Mueller put it flatly: “There’s no such thing as LSI keywords — anyone who’s telling you otherwise is mistaken, sorry.” What Google actually uses is far more sophisticated — neural matching, BERT, word embeddings, entity recognition. So when a tool hands you a list of “LSI keywords,” what’s useful about it isn’t the LSI part; it’s that those terms reflect the vocabulary of the topic. Cover the topic naturally and you get that for free. » (Terjemahan) (Ringkasan bahasa Indonesia untuk bagian lima puluh, bagian kecil satu: teks sumber dipertahankan agar dapat diperiksa dalam tinjauan penutur asli.)

Apa semantic penelusuran berarti untuk SEO

setiap major semantic perbarui memiliki pushed di yang sama direction, yang membuat playbook unusually stable:

• Topic coverage beats keyword density. Google judges apakah sebuah halaman covers sebuah topic thoroughly, tidak apakah ini hits sebuah keyword n times. Deep coverage peringkat untuk dozens dari related kueri Anda tidak pernah targeted individually.
• Entity optimization. Name dan deskripsikan Anda entities dengan jelas; gunakan structured data (sameAs, @id) untuk disambiguate them terhadap Wikipedia/Wikidata. ini adalah entity SEO discipline.
• Intent alignment adalah non-negotiable. Google classifies kueri intent dan filters oleh ini. sebuah halaman itu jawaban sebuah berbeda intent daripada kueri tidak akan peringkat Tidak penting bagaimana well keywords match.
• Tulis naturally. dengan BERT reading context, prepositions dan kalimat structure carry meaning. Gary Illyes’ advice pada RankBrain masih holds: “If you try to write like a machine then RankBrain will just get confused and probably just pushes you back.” (terjemahan) “jika Anda try untuk tulis like sebuah machine lalu RankBrain akan hanya mendapatkan confused dan probably hanya pushes Anda back.”
• Synonyms adalah handled untuk Anda. Anda tidak perlu setiap variation; covering topic’s natural vocabulary sinyal depth tanpa stuffing.
• Passage-tingkat quality. setiap H2/bagian seharusnya stand alone sebagai sebuah bersih, self-berisi jawaban — itu’s apa passage peringkat dan AI Overviews retrieve.

Ketika semantic SEO penting lebih sedikit

Honesty periksa: untuk sebuah single-service local business atau sebuah thin situs, berat entity dan topical-authority berfungsi dapat tidak pay off. ROI menampilkan up ketika Anda’re competing pada informational depth di seluruh sebuah topic. sebagai Sally Mills put ini, “If you do SEO properly, you’re automatically doing semantic SEO. It’s just that most people aren’t doing it properly.” (terjemahan) “jika Anda melakukan SEO properly, Anda’re secara otomatis melakukan semantic SEO. ini adalah hanya itu sebagian besar orang tidak melakukan ini properly.” dan Google tidak akan go purely semantic anytime soon — penuh semantic retrieval adalah expensive, tepat-match adalah masih umum pengguna perilaku, dan purely semantic hasil tetap unreliable. Keyword retrieval dan semantic understanding coexist.

Bagaimana AI penelusuran membangun pada ini

AI Overviews, AI Mode, dan AI assistants adalah semantic penelusuran plus generation. mereka retrieve passages oleh meaning (biasanya dense retrieval — see RAG dan vector penelusuran), lalu sebuah LLM menulis jawaban. Bing’s framing dari shift adalah sharp: grounding pengindeksan, di mereka kata, “is being built to help AI systems decide what to say.” (terjemahan) “adalah menjadi dibangun untuk help AI sistem decide apa untuk say.” practical consequence: yang sama hal itu membuat sebuah passage peringkat well — jelas entities, self-berisi bagian, topical depth — adalah apa membuat ini mungkin untuk menjadi cited di sebuah AI jawaban. ada Tidak terpisah trick.

AI summary

sebuah condensed take pada Advanced versi:

• Semantic penelusuran = retrieval oleh meaning, tidak tepat keyword match. itu pembedaan adalah seluruh poin. “Perbaiki a leaky faucet” (terjemahan) “Perbaiki sebuah leaky faucet” dan “repairing a dripping tap” (terjemahan) “repairing sebuah dripping tap” seharusnya mengembalikan sama hasil despite sharing Tidak kata.
• ini augments keyword penelusuran, ini tidak replace ini. BM25-style retrieval masih berjalan pertama di scale (speed + recall); neural sistem re-peringkat dan tambahkan concept-cocok documents. DOJ testimony confirmed Google’s embedding layer (RankEmbed) menambahkan documents untuk tradisional retrieval.
• Google dibangun ini di layers: graf pengetahuan (2012, “things not strings” (terjemahan) “hal tidak strings”) → Hummingbird (2013, seluruh-kueri meaning, 90% dari searches) → RankBrain (2015, novel kueri) → neural matching (2018, concept-tingkat “super synonyms,” (terjemahan) “super synonyms,” 30% dari kueri) → BERT (2019, contextual kata meaning, 1-di-10 kueri) → MUM (2021, multimodal, 75 languages, tidak pernah umum peringkat mesin).
• Semantic penelusuran ≠ pencarian vektor. Semantic penelusuran adalah goal; pencarian vektor adalah satu implementation (others: kueri expansion, synonym aturan, graf pengetahuan lookups).
• “LSI keywords” (terjemahan) “LSI keywords” adalah sebuah myth — John Mueller mengatakan so secara langsung. Google menggunakan neural matching, BERT, dan embeddings alih-alih.
• SEO playbook (unchanged di seluruh sebuah decade): topic coverage di atas keyword density, jelas entities + data terstruktur, intent alignment, natural-language writing, passage-tingkat quality. Keyword research masih penting; keyword stuffing tidak.
• AI penelusuran = semantic retrieval + generation. Apa peringkat well (jelas entities, self-berisi passages, depth) adalah apa mendapatkan cited.

Dokumentasi resmi

Utama-sumber documentation dan announcements dari Google dan Microsoft.

Google

• sebuah guide untuk Google Search peringkat sistem — official saat ini deskripsi dari BERT, neural matching, RankBrain, MUM, dan Passage peringkat (dan list dari retired sistem, including Hummingbird).
• Introducing graf pengetahuan: hal, tidak strings — 2012 entity launch dan “things, not strings” (terjemahan) “hal, tidak strings” framing.
• Understanding searches better daripada ever sebelum (BERT) — Pandu Nayak’s 2019 BERT announcement, dengan visa/esthetician contoh.
• MUM: sebuah baru AI milestone untuk understanding informasi — 2021 multimodal, multilingual model.
• Bagaimana AI powers great hasil pencarian — Google’s overview dari bagaimana RankBrain, neural matching, BERT, dan MUM fit together.

Microsoft / Bing

• Science Behind Semantic Penelusuran (Azure AI) — “a Transformer-based semantic ranking engine that understands the meaning behind the text.” (terjemahan) “sebuah Transformer-based semantic peringkat mesin itu understands meaning behind text.”
• Semantic peringkat di Azure AI Penelusuran — BM25/RRF retrieval → transformer re-peringkat pattern, spelled out.
• Towards Lebih Intelligent Penelusuran: Deep Learning untuk kueri Semantics — rare teknis depth pada Bing’s pre-BERT neural peringkat (GloVe vectors, CNN + cosine similarity).
• Introducing Deep Penelusuran — satu dari earliest publik deskripsi dari kueri fan-out di production scale.

Quotes dari sumber

pada—record statements dari Google dan Microsoft reps. Di mana sebuah deep tautan adalah tersedia ini jumps untuk quoted passage pada sumber halaman.

Google — semantic shift

• “Things, not strings.” (terjemahan) “Hal, tidak strings.” — Amit Singhal, introducing graf pengetahuan, 2012. Jump untuk quote

«Google — BERT (Pandu Nayak, 2019) » (Terjemahan) (Ringkasan bahasa Indonesia untuk bagian tujuh puluh lima, bagian kecil satu: teks sumber dipertahankan agar dapat diperiksa dalam tinjauan penutur asli.)

«- “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.”

• “[The] biggest leap forward in the past five years, and one of the biggest leaps forward in the history of Search.”
• “Language understanding remains an ongoing challenge, and it keeps us motivated to continue to improve Search.” Jump to quote » (Terjemahan) (Ringkasan bahasa Indonesia untuk bagian tujuh puluh enam, bagian kecil satu: teks sumber dipertahankan agar dapat diperiksa dalam tinjauan penutur asli.)

«Danny Sullivan, Google Search Liaison » (Terjemahan) (Ringkasan bahasa Indonesia untuk bagian tujuh puluh tujuh, bagian kecil satu: teks sumber dipertahankan agar dapat diperiksa dalam tinjauan penutur asli.)

• pada neural matching (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.” (terjemahan) “Terakhir sedikit months, Google memiliki telah menggunakan neural matching — AI metode untuk better connect kata untuk concepts. Super synonyms, di sebuah cara, dan impacting 30% dari kueri.”
• “RankBrain helps Google better relate pages to concepts. Neural matching helps Google better relate words to searches. It’s like a super synonym system.” (terjemahan) “RankBrain helps Google better relate halaman untuk concepts. Neural matching helps Google better relate kata untuk searches. ini adalah like sebuah super synonym sistem.”
• pada optimizing untuk BERT (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.” (terjemahan) “ada tidak ada apa pun untuk mengoptimalkan untuk dengan BERT, nor apa pun untuk sebuah situs owner untuk menjadi ‘concerned’ tentang. fundamentals dari us seeking untuk reward great konten tetap unchanged.”

Gary Illyes, Google

• pada writing untuk RankBrain (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.” (terjemahan) “Optimizing untuk RankBrain adalah sebenarnya super easy… tulis di natural language. Try untuk tulis konten itu sounds human. jika Anda try untuk tulis like sebuah machine lalu RankBrain akan hanya mendapatkan confused dan probably hanya pushes Anda back.”

John Mueller, Google

• pada LSI myth (Twitter, July 30, 2019): “There’s no such thing as LSI keywords — anyone who’s telling you otherwise is mistaken, sorry.” (terjemahan) “ada Tidak such hal sebagai LSI keywords — anyone siapa’s telling Anda jika tidak adalah mistaken, sorry.”

Greg Corrado, Google (pada RankBrain, melalui Bloomberg, 2015)

• “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.” (terjemahan) “RankBrain menggunakan kecerdasan buatan untuk embed vast amounts dari ditulis language ke mathematical entities — called vectors — itu computer dapat memahami. jika RankBrain sees sebuah kata atau phrase ini tidak familiar dengan, machine dapat membuat sebuah guess sebagai untuk apa kata atau phrases mungkin memiliki sebuah similar meaning dan filter hasil accordingly.”

«Pandu Nayak, Google (DOJ antitrust testimony, 2023) » (Terjemahan) (Ringkasan bahasa Indonesia untuk bagian delapan puluh lima, bagian kecil satu: teks sumber dipertahankan agar dapat diperiksa dalam tinjauan penutur asli.)

• “RankEmbed identifies a few more documents to add to those identified by the traditional retrieval.” (terjemahan) “RankEmbed identifies sebuah sedikit lebih documents untuk tambahkan untuk itu identified oleh tradisional retrieval.” (Mengonfirmasi itu Google’s semantic embedding layer augments classical keyword retrieval alih-alih replacing ini.)

Microsoft — Azure AI / Bing

• “Semantic search is moving beyond keyword-based ranking to a Transformer-based semantic ranking engine that understands the meaning behind the text.” (terjemahan) “Semantic penelusuran adalah moving beyond keyword-based peringkat untuk sebuah Transformer-based semantic peringkat mesin itu understands meaning behind text.” — Microsoft Research, 2021.

«## Google’s semantic milestones — cheat sheet » (Terjemahan) (Ringkasan bahasa Indonesia untuk bagian sembilan puluh dua, bagian kecil satu: teks sumber dipertahankan agar dapat diperiksa dalam tinjauan penutur asli.)

layered stack, di order. setiap solved sebuah berbeda masalah; none replaced satu sebelum ini.

Quick distinctions untuk pertahankan straight

• RankBrain vs. BERT — RankBrain maps unknown kueri untuk known concepts; BERT understands contextual meaning dari kata di dalam sebuah kueri kalimat.
• Semantic penelusuran vs. pencarian vektor — semantic penelusuran adalah goal; pencarian vektor adalah satu implementation (others: kueri expansion, synonym aturan, graf pengetahuan).
• Semantic SEO — topic coverage, entity relationships, intent matching. Tidak synonym stuffing, dan definitely tidak “LSI keywords” (terjemahan) “LSI keywords” (sebuah myth — see artikel).
• Keyword penelusuran tidak dead — BM25-style retrieval masih berjalan pertama; semantic sistem re-peringkat dan tambahkan concept-cocok documents pada top.

mental models

1. Goal vs. implementation. Semantic penelusuran adalah destination (retrieve oleh meaning). pencarian vektor adalah satu vehicle (embeddings + nearest-neighbor). Anda dapat juga walk di sana — kueri expansion, synonym aturan, entity lookups. jangan conflate destination dengan satu route.

2. layered stack, tidak sebuah switch. graf pengetahuan (entities) + RankBrain (unknown kueri) + neural matching (concept synonyms) + BERT (kata context) + MUM (multimodal). mereka stack dan cooperate; Tidak perbarui threw out sebelumnya satu. Ketika Anda alasan tentang “bagaimana Google understands ini query,” (terjemahan) “bagaimana Google understands ini kueri,” tanyakan yang layer adalah melakukan berfungsi.

3. Retrieval adalah dua-stage. Stage 1: fast, keyword-based, tinggi-recall (BM25 di atas sebuah inverted indeks). Stage 2: neural re-peringkat + concept-cocok additions. Semantic penelusuran adalah mostly stage 2 — ini augments stage 1, ini tidak delete ini.

4. optimization invariant. setiap semantic perbarui poin yang sama cara: natural language, topical depth, jelas entities, intent alignment. jika sebuah tactic hanya membuat sense untuk sebuah keyword-counting mesin (stuffing, tepat-match obsession, “LSI keywords” (terjemahan) “LSI keywords”), ini adalah optimizing untuk sebuah machine itu Tidak lebih lama ada.

5. “apa mendapatkan cited” (terjemahan) “apa mendapatkan cited” aturan untuk AI penelusuran. AI jawaban = semantic retrieval + generation. Apa peringkat sebuah passage (jelas entities, self-berisi bagian, depth) adalah apa mendapatkan ini retrieved dan cited. ada Tidak terpisah AI-penelusuran trick — ini adalah yang sama passage-tingkat quality.

Semantic-penelusuran mistakes

membangun halaman sekitar lists dari “LSI keywords”

LSI keyword advice mislabels bagaimana modern retrieval berfungsi. Cover subject naturally, name nyata entities dan relationships, dan jawaban pengguna’s intent alih-alih menambahkan sebuah mechanically generated synonym list.

Treating semantic penelusuran dan pencarian vektor sebagai synonyms

Semantic retrieval adalah goal dari matching meaning; vectors adalah satu metode itu dapat mendukung ini. pertahankan pembedaan ketika evaluating sebuah sistem atau choosing sebuah audit.

Repeating head istilah alih-alih resolving ambiguity

Lebih repetition melakukan tidak clarify yang entity atau intent sebuah halaman menyajikan. gunakan jelas names, attributes, context, dan connected subtopics so meaning survives beyond sebuah single keyword string.

Uji pemahaman Anda: Semantic penelusuran

Resources worth Anda time

My related reviews

• Semantic SEO (Ahrefs) — advanced practitioner guide (I’m sebuah reviewer pada ini satu), covering EAV model dan mengapa Google tidak akan go purely semantic.

pada ini situs

• Entity SEO — practical discipline dari naming, describing, dan disambiguating entities ( graf pengetahuan side dari semantic penelusuran).
• Embeddings dan pencarian vektor — teknis mechanism itu membuat meaning-based similarity berfungsi.
• RAG — bagaimana AI penelusuran retrieves passages dan grounds generated jawaban.

dari others

• Semantic Penelusuran — Mateusz Makosiewicz’s Ahrefs guide untuk meaning-based retrieval, entities, dan konten.
• Google’s graf pengetahuan — Despina Gavoyannis dan Michal Pecánek’s Ahrefs guide untuk entity data dan SEO.
• RankBrain glossary dan Hummingbird glossary (Ahrefs) — quick reference entries dari Ahrefs editorial team.
• Google’s Penelusuran peringkat sistem guide — authoritative list dari apa langsung dan apa retired.
• SEO oleh Sea — Hummingbird retrospective — detailed history dengan Singhal context.
• Google Hummingbird (mesin pencari Land) — Danny Sullivan’s original 2013 announcement report dengan Singhal quotes; utama sumber untuk “90% dari searches” (terjemahan) “90% dari searches” dan penuh-phrase meaning.
• Memenuhi RankBrain, Google’s kecerdasan buatan Penelusuran Algorithm (mesin pencari Land) — original 2015 report breaking RankBrain, dengan Greg Corrado’s verbatim quotes pada vectors dan unknown kueri.
• Google Neural Matching (mesin pencari Journal) — covers 2018 neural matching launch, Danny Sullivan’s “super synonyms” (terjemahan) “super synonyms” tweet, dan pembedaan dari RankBrain.
• FAQ: semua tentang BERT Algorithm di Google Search (mesin pencari Land) — comprehensive Q&sebuah including Danny Sullivan’s “tidak ada apa pun untuk optimize untuk” (terjemahan) “tidak ada apa pun untuk mengoptimalkan untuk” guidance.
• Google Mengubah -nya Lucrative Web Penelusuran di atas untuk AI Machines (Bloomberg) — original RankBrain disclosure; Greg Corrado mengonfirmasi ini sebagai “itu third-paling important sinyal.” (terjemahan) “ ketiga-sebagian besar penting sinyal.”
• Science Behind Semantic Penelusuran: Bagaimana AI dari Bing adalah Powering Azure Cognitive Penelusuran (Microsoft Research) — Bing’s BM25 → transformer re-peringkat pipeline dijelaskan; mencakup 2% / 4,5% CTR lift data dari Microsoft Docs testing.

Videos

• Google Search Central (YouTube) — Bagaimana Google Search berfungsi series, including explainers pada kueri understanding dan sistem behind ini. Channel

Stats worth citing

• ~40% dari English kata memiliki multiple meanings — yang adalah mengapa context (location, history, sekitarnya kata) adalah apa semantic penelusuran menggunakan untuk disambiguate “apple” (terjemahan) “apple” atau “jaguar.” (terjemahan) “jaguar.” Sumber
• ~0,89 vector similarity antara “bagaimana untuk perbaiki a leaky faucet” (terjemahan) “cara perbaiki sebuah leaky faucet” dan “repairing a dripping tap” (terjemahan) “repairing sebuah dripping tap” — despite sharing hampir Tidak kata. concrete face dari meaning-based matching. Sumber
• Neural matching memengaruhi ~30% dari kueri (Danny Sullivan, 2018) — cakupan dari concept-tingkat “super synonym” (terjemahan) “super synonym” matching.
• BERT affected 1 di 10 US English kueri di launch (Pandu Nayak, 2019) dan now plays sebuah role di nearly setiap English kueri. Sumber
• ** graf pengetahuan holds ~1,6 trillion facts tentang ~54 billion entities** hari ini (up dari 500M entities di 2012 launch) — scale dari Google’s entity backbone. Sumber

Log perubahan