Semantik Arama

TL;DR — Semantik arama, arama motorlarının yalnızca yazdığınız tam kelimeleri değil, aradığınız şeyin anlamını eşleştirmesi demektir. Google “bu kişi aslında ne istiyor?” ve “bu sayfa gerçekten ne hakkında?” sorularını yanıtlar, sonra ikisini bağlar. Artık anahtar kelimeleri tekrar tekrar yazmanız gerekmez; bir konuyu doğal biçimde anlatmak, ifadelerle doldurmaktan daha iyi çalışır.

Semantik arama nedir

Semantik arama, tam terimlere ek olarak anlam ve bağlama dayalı eşleşmeler arar. 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 Modern sistemler tek bir tekniğe dayanmak yerine dil modellerini, sözlüksel erişimi, varlıkları ve başka sinyalleri birleştirebilir. 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

Uzun süre arama motorları çoğunlukla kelimeleri saydı. “cheap flights” aradığınızda, sayfada “cheap” ve “flights” kelimelerini ararlardı. Yararlıydı ama aptalcaydı — “affordable airfare” ifadesinin aynı anlama geldiğini veya “jaguar”ın ya bir hayvan ya da bir araba olabileceğini bilmiyordu.

Semantik arama bunu düzeltir. Harfleri ve kelimeleri eşleştirmek yerine anlamı anlamaya çalışır. İki fikir onu yönlendirir:

• Ne demek istediğinizi anlamak. Google, sorgunuzun tamamını anahtar kelime torbası olarak değil, bir cümle olarak okur. Amacınızı çıkarır — bir şey mi satın almak, bir şey mi öğrenmek veya belirli bir siteyi mi bulmak istiyorsunuz?
• Bir sayfanın ne hakkında olduğunu anlamak. Bir sayfanın kapsadığı konuları ve bahsettiği gerçek dünya varlıklarını (insanlar, yerler, ürünler) bulur — yalnızca hangi kelimelerin geçtiğini değil.

Bunu düşünmenin iyi bir yolu şudur: “how to fix a leaky faucet” ve “repairing a dripping tap” aramalarının, bu ifadelerin neredeyse hiç ortak kelimesi olmasa bile aynı sonuçları döndürmesi gerekir. Bir anahtar kelime motoruna göre ilgisiz görünürler. Semantik bir motora göre aynı şeyi ifade ederler.

SEO’yu neden değiştirdi

Google anlamı kavradığında eski taktiklerin çoğu işe yaramamaya başladı:

• Anahtar kelimeleri doldurmanız gerekmez. Google eş anlamlıları ve ilişkili terimleri zaten bilir. “best running shoes” ifadesini yirmi kez tekrarlamak yardımcı olmaz; zarar verebilir.
• Her ifade biçimi için ayrı sayfaya gerek yoktur. “Python tutorial”, “Python guide” ve “learn Python” kabaca aynı anlama gelir; Google hepsi için sıralanacak tek bir sayfa seçer. Bunları sayfalara bölmek yalnızca kendinizle rekabet etmenize yol açar.
• Bir konuyu iyi kapsamak, anahtar kelime sayısını tutturmaktan iyidir. İlişkili ayrıntılarıyla bir soruyu gerçekten yanıtlayan sayfa, anahtar kelimeyi sıkça anan sayfadan daha iyi performans gösterir.

Çoğu kişinin yanlış anladığı konu

Semantik arama, anahtar kelimelerin öldüğü anlamına gelmez. Anahtar kelime araştırması insanların neyi ve ne sıklıkla aradığını hâlâ gösterir. Ölen şey anahtar kelime doldurma ve tam ifadeleri tekrarlama zorunluluğudur. Açık söyleyelim: “LSI keywords” gerçek bir şey değildir. Google’dan John Mueller bunu doğrudan söyledi. Bir araçtan “semantically related keywords” listesi serpiştirmek bu işin yöntemi değildir; konuyu doğal biçimde kapsamak yöntemdir.

Tam geçmişi (Knowledge Graph, Hummingbird, RankBrain, BERT, MUM) ve çalışma biçiminin teknik ayrıntılarını istiyorsanız Advanced sekmesine geçin.

TL;DR — Semantik arama, tam anahtar kelime eşleşmesiyle değil anlamla erişir. Google bunu katmanlar hâlinde kurdu — Knowledge Graph (2012), Hummingbird (2013), RankBrain (2015), neural matching (2018), BERT (2019), MUM (2021) — ve her biri farklı bir parçayı çözdü (varlıklar, sorgunun tamamının anlamı, yeni sorgular, kavram düzeyinde eş anlamlılar, bağlamsal kelime anlamı, çok modlu akıl yürütme). Bunlar anahtar kelime erişimini tamamlar (BM25 hâlâ büyük ölçekte ilk çalışır), onun yerine geçmez. Semantik arama amaçtır; vector search bir uygulamadır. “LSI keywords” bir efsanedir. On yıldır optimizasyon yanıtı değişmedi: doğal dil, konu derinliği, açık varlıklar ve amaçla uyum.

Anahtar kelime araması ve semantik arama

Anahtar kelime ve semantik erişim birbirini tamamlar; birbirini dışlayan dönemler değildir. 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 Google’ın kamuya açık açıklamaları, eksiksiz sıralama ağırlıklarını açıklamadan dil anlama sistemlerini doğrular. 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

Klasik erişim, belgeleri terim istatistiklerine göre sıralar. TF-IDF (terim sıklığı × ters belge sıklığı), bir kelimeyi belgede ne kadar sık göründüğüne ve derlem genelinde ne kadar nadir olduğuna göre ağırlıklandırır. BM25 (“Best Match 25”), bunu uzunluk normalizasyonu ve doyum eğrisiyle geliştirir; Elasticsearch, Solr ve Lucene’de — ayrıca Google ve Bing’in içinde — hâlâ baskın ilk aşama temelidir. Güçlü, hızlı ve tamamen kelimelerle ilgilidir. “leaky faucet” ile “dripping tap”in aynı anlama geldiğini bilmez.

Semantik arama bunun üzerine bir anlama katmanı ekler:

Önemli çerçeve şudur: semantik arama, anahtar kelime erişiminin yerine geçmekten çok onu tamamlar. Google ölçeğinde ters indeksli BM25 tarzı bir geçiş hâlâ hız için yüksek geri çağırmalı ilk seçimi yapar; ardından sinirsel sistemler yeniden sıralar ve kelimeleri değil kavramları paylaşan belgeler ekler. Pandu Nayak’ın 2023 DOJ ifadesi bunu tam olarak açıkladı — geleneksel erişimle belirlenenlere “birkaç belge daha ekleyen” dahili RankEmbed adlı bir embedding sistemi. Anahtar kelime erişimi ölmedi; anlamı anlayan bir ortak kazandı.

Google semantik aramayı nasıl kurdu — dönüm noktaları

Evrim aşamalıydı. Google’ı tek bir güncelleme “anahtar kelimeler”den “anlam”a çevirmedi — her biri ayrı bir sorunu çözen katmanlardan oluşan on yıllık bir süreçti.

2012 — Knowledge Graph (“things, not strings”)

Google’ın gerçek dünya varlıkları ve bunların ilişkilerinden oluşan veritabanı. Amit Singhal’ın lansman çerçevesi — “things, not strings” — semantik dönüşümün hâlâ tek satırlık en iyi açıklamasıdır. 500+ milyon varlık ve 3,5 milyardan fazla olguyla başladı; sayılardan çok çerçeve önemlidir. Google’ın “Taj Mahal”i (anıt, müzisyen veya kumarhane) ayırt etmesini ve varlık sorularını doğrudan yanıtlamasını sağlayan budur. Knowledge Graph, yığının geri kalanının dayandığı varlık omurgasıdır — entity SEO içinde daha ayrıntılı ele alıyorum.

2013 — Hummingbird (sorgunun tamamının anlamı)

Google’ın çekirdek sorgu motorunun tamamen yeniden yazılmasıydı — Panda veya Penguin gibi bir ayar değil, yeni bir motordu. Singhal onu 2001’den beri en dramatik değişiklik olarak niteledi. Amaç, konuşma diliyle yazılan ve uzun kuyruklu sorgularda tüm sorguya — tüm cümleye, anlama — belirli kelimelerden daha fazla dikkat etmekti. Danny Sullivan’ın o dönemdeki özeti bunu iyi yakalar: 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, aramaların %90’ını etkilediğini söyler. (Artık Ranking Systems Guide’da retired olarak listeleniyor; ondan gelişen sistemlerle yer değiştirdi.) (Türkçesi: “bir sorgudaki her kelimeye daha fazla dikkat eder ve belirli kelimeler yerine sorgunun tamamının dikkate alınmasını sağlar.”)

2015 — RankBrain (daha önce hiç görülmemiş sorgular)

Sorgu yorumlamasına uygulanan makine öğrenmesi. RankBrain’in görevi, Google’ın daha önce hiç görmediği günlük sorguların yaklaşık %15’idir — alışılmadık bir sorguyu matematiksel bir vektöre çevirir ve anlayabildiği kavramsal olarak benzer sorguları bulur. Onu doğrulayan Google bilim insanı Greg Corrado (Google blogu değil, Bloomberg aracılığıyla), bilgisayarın anlayabileceği “yazılı dilin çok büyük miktarlarını — vektör adı verilen — matematiksel varlıklara gömmek” olarak tanımladı. 2016’da her sorguyu işliyordu. Sınırı not edin: RankBrain bilinmeyen sorguları bilinen kavramlarla eşleştirir; BERT ile aynı şey değildir.

2018 — Neural matching (kavram düzeyinde eş anlamlılar)

RankBrain sorguları kavramlarla ilişkilendirirken neural matching, kavram eşleştirmesini belge tarafına genişletti — bir sorgunun kavramlarını, kelime paylaşmasalar bile sayfanın kavramlarına bağladı. Danny Sullivan’ın sade açıklaması en iyilerden biridir: “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.” Kanonik örnek: “why does my television look strange”, hiçbir ifadenin adını vermediği “soap opera effect” hakkındaki sonuçları getirebilir. (2023 DOJ ifadesi bu soyu dahili olarak RankEmbed / RankEmbedBERT şeklinde ortaya koydu.) (Türkçesi: “Son birkaç aydır Google, kelimeleri kavramlara daha iyi bağlamak için neural matching, bir yapay zekâ yöntemi kullanıyor. Bir bakıma süper eş anlamlılar ve sorguların %30’unu etkiliyor.”)

2019 — BERT (bağlamsal kelime anlamı)

Büyük NLP atılımı. BERT (Bidirectional Encoder Representations from Transformers), bir kelimeyi soldan sağa tek tek okumak yerine bağlam içinde — öncesindeki ve sonrasındaki kelimelere bakarak — okur. “2019 brazil traveler to usa need a visa” ifadesinde “to”nun anlamı değiştirdiğini yakalamasını sağlayan budur (eski sistemlerin ters anladığı, ABD’ye giden Brezilyalı bir yolcu). Pandu Nayak bunu “son beş yıldaki en büyük ilerleme ve Search tarihindeki en büyük ilerlemelerden biri” olarak niteledi; lansmanda ABD İngilizcesi sorgularının 10’da 1’ini, bugün ise neredeyse tamamını etkiliyordu. SEO uzmanlarının en sık yanlış okuduğu güncelleme de budur: Danny Sullivan’ın yanıtı netti — “There’s nothing to optimize for with BERT.” (Türkçesi: “BERT için optimize edilecek hiçbir şey yok.”)

2021 — MUM (çok modlu, çok dilli)

Multitask Unified Model — T5 çerçevesi üzerine kuruldu, 75 dilde eğitildi ve metin ile görseller arasındaki bilgiyi anlayabilir. Google, BERT’ten 1 000 kat daha güçlü olduğunu ve BERT’in aksine dili hem anlayıp hem üretebildiğini söylüyor. Önemli uyarı: MUM belirli yüksek karmaşıklıklı durumlarda (karmaşık çok adımlı sorular, bazı öne çıkan snippet’ler, alışveriş) kullanılır — Google’ın genel sıralama motoru hiçbir zaman olmadı ve BERT’in “yerine geçmedi”.

2023+ — LLM’ler ve AI araması

Semantik erişim artık üretken yanıtları besliyor. AI Overviews ve AI Mode, ilgili pasajları bulmak için aynı anlam tabanlı erişimi kullanır; ardından bir LLM yanıtı sentezler — RAG’ye bakın. Semantik katman neyin erişilip alıntılanacağını belirler; model yalnızca onu yazar.

Semantik arama ile vector search karşılaştırması

Bunlar sürekli birbirine karıştırılır; bu nedenle kesin olun:

• Semantik arama amaçtır — anlama ve amaca göre erişmek.
• Vector search bir uygulamadır — sorguları ve belgeleri yoğun vektörler olarak temsil etmek ve kosinüs mesafesine göre en yakın komşuları bulmak.

Vector search, modern uygulamaların en yaygın olanıdır ama semantik aramanın tek yolu değildir: sorgu genişletme, eş anlamlı kuralları, Knowledge Graph aramaları ve varlık tanıma tek bir embedding hesaplamadan da aynı sonuca götürür. Semantik aramayı varış noktası, vector search’ü ise bir (hızlı ve ölçeklenebilir) araç olarak düşünün. Aracın mekaniği — embeddings, kosinüs benzerliği ve en yakın komşu araması — embeddings ve vector search makalelerinde ele alınıyor; burada yeniden türetmeyeceğim.

Perde arkasında gerçekte nasıl çalışır

Kabaca sırayla dört hareketli parça vardır:

1. Sorgu anlama — amaç sınıflandırması (bilgilendirici, gezinme, işlemsel, ticari), varlık çıkarma ve eş anlamlı/kavram genişletme. Burası RankBrain ve BERT’in alanıdır.
2. Varlık tanıma + Knowledge Graph — bir sorgunun ve belgenin ne hakkında olduğunu oluşturan gerçek dünya şeylerini tanımak ve belirsizliği gidermek. İngilizce kelimelerin yaklaşık %40’ının birden çok anlamı vardır; bağlam hangisini kastettiğinizi çözer.
3. Embeddings ve semantik benzerlik — anlamı vektörler olarak kodlamak; böylece “fix a leaky faucet” ve “repairing a dripping tap” birbirine yakın düşer (neredeyse hiç ortak kelime paylaşmamalarına rağmen yaklaşık 0,89 benzerlik). Ayrıntı için embeddings.
4. Pasaj sıralaması ve sinirsel yeniden sıralama — 2020’den beri bir sayfanın tek tek pasajları, sayfanın tamamı mükemmel hedeflenmemiş olsa bile bir sorguda sıralanabilir; sinirsel yeniden sıralayıcı da anahtar kelimeyle erişilen kümeyi semantik uyuma göre yeniden düzenler. Her bölümün kendi başına durması bu yüzden gerekir.

LSI anahtar kelime efsanesi

Bu konu önemlidir, çünkü çok kötü tavsiyeyi besler. “LSI keywords” (Latent Semantic Indexing), Google’ın sıralama girdisi olarak kullandığını hiçbir zaman doğrulamadığı 1988 tarihli bir bilgi erişimi tekniğidir. John Mueller açıkça şöyle dedi: “There’s no such thing as LSI keywords — anyone who’s telling you otherwise is mistaken, sorry.” Google’ın gerçekte kullandığı çok daha gelişmiştir — neural matching, BERT, word embeddings, varlık tanıma. Bir araç size “LSI keywords” listesi verdiğinde yararlı olan şey LSI kısmı değil, bu terimlerin konunun kelime dağarcığını yansıtmasıdır. Konuyu doğal biçimde kapsayın, bunu ücretsiz elde edersiniz. (Türkçesi: “LSI keywords diye bir şey yok — aksini söyleyen herkes yanılıyor, üzgünüm.”)

Semantik arama SEO için ne anlama gelir

Her büyük semantik güncelleme aynı yöne itti; bu da uygulama planını alışılmadık biçimde sabit kılar:

• Konu kapsamı anahtar kelime yoğunluğundan üstündür. Google bir sayfanın bir konuyu kapsamlı biçimde ele alıp almadığına bakar; bir anahtar kelimeye n kez değinip değinmediğine değil. Derin kapsam, tek tek hedeflemediğiniz düzinelerce ilişkili sorguda sıralanır.
• Varlık optimizasyonu. Varlıklarınızı açıkça adlandırın ve açıklayın; Wikipedia/Wikidata karşısında belirsizliği gidermek için yapılandırılmış veri (sameAs, @id) kullanın. Bu, entity SEO disiplinidir.
• Amaçla uyum pazarlık konusu değildir. Google sorgu amacını sınıflandırır ve buna göre filtreler. Sorgudan farklı bir amacı yanıtlayan sayfa, anahtar kelimeleri ne kadar iyi eşleşirse eşleşsin sıralanmaz.
• Doğal yazın. BERT bağlamı okuduğu için edatlar ve cümle yapısı anlam taşır. Gary Illyes’ın RankBrain tavsiyesi hâlâ geçerlidir: “If you try to write like a machine then RankBrain will just get confused and probably just pushes you back.” (Türkçesi: “Makine gibi yazmaya çalışırsanız RankBrain yalnızca kafası karışır ve muhtemelen sizi geriye iter.”)
• Eş anlamlılar sizin için işlenir. Her varyasyona ihtiyacınız yoktur; konunun doğal kelime dağarcığını kapsamak, doldurma yapmadan derinlik sinyali verir.
• Pasaj düzeyinde kalite. Her H2/bölüm, kendi başına temiz ve eksiksiz bir yanıt olmalıdır — pasaj sıralamasının ve AI Overviews’ın eriştiği şey budur.

Semantik SEO’nun daha az önemli olduğu zamanlar

Dürüstlük kontrolü: tek hizmetli yerel bir işletme veya ince bir site için yoğun varlık ve konu otoritesi çalışması karşılığını vermeyebilir. Yatırım getirisi, bir konuda bilgi derinliğiyle rekabet ettiğinizde ortaya çıkar. Sally Mills’in ifadesiyle: “If you do SEO properly, you’re automatically doing semantic SEO. It’s just that most people aren’t doing it properly.” Google da yakın zamanda salt semantiğe geçmeyecek — tam semantik erişim pahalıdır, tam eşleşme kullanıcı davranışında hâlâ yaygındır ve yalnızca semantiğe dayalı sonuçlar güvenilmez kalır. Anahtar kelime erişimi ve semantik anlama birlikte var olur. (Türkçesi: “SEO’yu doğru yaparsanız otomatik olarak semantik SEO yaparsınız. Sorun, insanların çoğunun bunu doğru yapmamasıdır.”)

AI araması bunun üzerine nasıl kurulur

AI Overviews, AI Mode ve AI asistanları semantik arama artı üretimdir. Pasajları anlamlarına göre (genellikle yoğun erişimle — RAG ve vector search’e bakın) bulur, sonra bir LLM yanıtı yazar. Bing’in değişim çerçevesi keskindir: kendi ifadesiyle indekslemeyi temellendirmek, “AI sistemlerinin ne söyleyeceğine karar vermesine yardımcı olmak için oluşturuluyor.” Pratik sonuç şudur: bir pasajı iyi sıralatan şeyler — açık varlıklar, kendi başına duran bölümler ve konu derinliği — onu bir AI yanıtında alıntılanabilir kılan şeylerdir. Ayrı bir numara yoktur.

AI özeti

Advanced sürümünün kısaltılmış özeti:

• Semantik arama = tam anahtar kelime eşleşmesi değil, anlamla erişim. Bütün mesele bu ayrımdır. “Fix a leaky faucet” ve “repairing a dripping tap”, hiç ortak kelime paylaşmasalar da aynı sonuçları döndürmelidir.
• Anahtar kelime aramasını tamamlar, onun yerine geçmez. BM25 tarzı erişim büyük ölçekte hâlâ önce çalışır (hız + geri çağırma); sinirsel sistemler kavram eşleşen belgeleri yeniden sıralar ve ekler. DOJ ifadesi Google’ın embedding katmanının (RankEmbed) geleneksel erişime belge eklediğini doğruladı.
• Google bunu katmanlar hâlinde kurdu: Knowledge Graph (2012, “things not strings”) → Hummingbird (2013, sorgunun tamamının anlamı, aramaların %90’ı) → RankBrain (2015, yeni sorgular) → neural matching (2018, kavram düzeyinde “süper eş anlamlılar”, sorguların %30’u) → BERT (2019, bağlamsal kelime anlamı, sorguların 10’da 1’i) → MUM (2021, çok modlu, 75 dil, hiçbir zaman genel sıralama motoru değil).
• Semantik arama ≠ vector search. Semantik arama amaçtır; vector search bir uygulamadır (diğerleri: sorgu genişletme, eş anlamlı kuralları, Knowledge Graph aramaları).
• “LSI keywords” bir efsanedir — John Mueller bunu doğrudan söyledi. Google onun yerine neural matching, BERT ve embeddings kullanır.
• SEO planı (on yıldır değişmedi): anahtar kelime yoğunluğu yerine konu kapsamı, açık varlıklar + yapılandırılmış veri, amaçla uyum, doğal dil, pasaj düzeyinde kalite. Anahtar kelime araştırması hâlâ önemlidir; anahtar kelime doldurma değildir.
• AI araması = semantik erişim + üretim. İyi sıralanan şey (açık varlıklar, kendi başına duran pasajlar, derinlik) alıntılanan şeydir.

Resmî belgeler

Google ve Microsoft’un birincil kaynak belgeleri ve duyuruları.

Google

• A guide to Google Search ranking systems — BERT, neural matching, RankBrain, MUM ve Passage Ranking’in güncel resmî açıklamaları (ve Hummingbird dâhil kaldırılan sistemlerin listesi).
• Introducing the Knowledge Graph: things, not strings — 2012 varlık lansmanı ve “things, not strings” çerçevesi.
• Understanding searches better than ever before (BERT) — vize/estetisyen örnekleriyle Pandu Nayak’ın 2019 BERT duyurusu.
• MUM: A new AI milestone for understanding information — 2021 çok modlu, çok dilli model.
• How AI powers great search results — RankBrain, neural matching, BERT ve MUM’un birlikte nasıl çalıştığına dair Google özeti.

Microsoft / Bing

• The Science Behind Semantic Search (Azure AI) — “metnin arkasındaki anlamı anlayan Transformer tabanlı semantik sıralama motoru.”
• Semantic ranking in Azure AI Search — BM25/RRF erişiminden transformer yeniden sıralamasına kadar olan kalıbı açıklar.
• Towards More Intelligent Search: Deep Learning for Query Semantics — Bing’in BERT öncesi sinirsel sıralaması (GloVe vektörleri, CNN + kosinüs benzerliği) hakkında ender teknik ayrıntı.
• Introducing Deep Search — sorgu fan-out’unun üretim ölçeğindeki ilk kamuya açık açıklamalarından biri.

Kaynaktaki alıntılar

Google ve Microsoft temsilcilerinin kayda geçmiş açıklamaları. Derin bağlantı varsa kaynak sayfadaki alıntıya gider.

Google — semantik dönüşüm

• “Things, not strings.” — Amit Singhal, Knowledge Graph’ı tanıtırken, 2012. Alıntıya git (Türkçesi: “Şeyler, dizeler değil.”)

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.”
• “[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.” Alıntıya git (Türkçesi: “BERT modelleri, bir kelimenin öncesindeki ve sonrasındaki kelimelere bakarak tam bağlamını değerlendirebilir — bu, arama sorgularının arkasındaki amacı anlamak için özellikle yararlıdır”; “[Bu,] son beş yıldaki en büyük ilerleme ve Search tarihindeki en büyük ilerlemelerden biridir”; “Dil anlama hâlâ süregelen bir zorluktur ve Search’ü geliştirmeye devam etmemiz için bizi motive eder.”)

Danny Sullivan, Google Search Liaison

• Neural matching hakkında (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.”
• “RankBrain helps Google better relate pages to concepts. Neural matching helps Google better relate words to searches. It’s like a super synonym system.”
• BERT için optimizasyon hakkında (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.” (Türkçesi: “Son birkaç aydır Google, kelimeleri kavramlara daha iyi bağlamak için neural matching kullanıyor — bir yapay zekâ yöntemi. Bir bakıma süper eş anlamlılar ve sorguların %30’unu etkiliyor”; “RankBrain, Google’ın sayfaları kavramlarla daha iyi ilişkilendirmesine yardımcı olur. Neural matching, Google’ın kelimeleri aramalarla daha iyi ilişkilendirmesine yardımcı olur. Bu, bir süper eş anlamlı sistemi gibidir”; “BERT ile optimize edilecek veya site sahibinin ‘endişe edeceği’ hiçbir şey yok. Harika içeriği ödüllendirme temelimiz değişmedi.”)

Gary Illyes, Google

• RankBrain için yazmak hakkında (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.” (Türkçesi: “RankBrain için optimizasyon aslında çok kolay… doğal dilde yazın. İnsan gibi görünen içerik yazmaya çalışın. Makine gibi yazmaya çalışırsanız RankBrain’in kafası karışır ve muhtemelen sizi geriye iter.”)

John Mueller, Google

• LSI efsanesi hakkında (Twitter, 30 Temmuz 2019): “There’s no such thing as LSI keywords — anyone who’s telling you otherwise is mistaken, sorry.” (Türkçesi: “LSI keywords diye bir şey yok — aksini söyleyen herkes yanılıyor, üzgünüm.”)

Greg Corrado, Google (RankBrain hakkında, Bloomberg aracılığıyla, 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.” (Türkçesi: “RankBrain, çok büyük miktarlarda yazılı dili bilgisayarın anlayabileceği — vektör adı verilen — matematiksel varlıklara gömmek için yapay zekâ kullanır. RankBrain aşina olmadığı bir kelime veya ifadeyi görürse makine, hangi kelime veya ifadelerin benzer anlama sahip olabileceğini tahmin edip sonucu buna göre filtreleyebilir.”)

Pandu Nayak, Google (DOJ antitröst ifadesi, 2023)

• “RankEmbed identifies a few more documents to add to those identified by the traditional retrieval.” (Google’ın semantik embedding katmanının klasik anahtar kelime erişiminin yerine geçmekten çok onu tamamladığını doğrular.) (Türkçesi: “RankEmbed, geleneksel erişimle belirlenenlere eklemek üzere birkaç belge daha tanımlar.”)

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.” — Microsoft Research, 2021. (Türkçesi: “Semantik arama, anahtar kelime tabanlı sıralamanın ötesine, metnin arkasındaki anlamı anlayan Transformer tabanlı bir semantik sıralama motoruna ilerliyor.”)

Google’ın semantik dönüm noktaları — kopya kâğıdı

Katmanlı yığın sırayla şöyledir. Her biri farklı bir sorunu çözdü; hiçbiri kendinden öncekini kaldırmadı.

Karıştırılmaması gereken hızlı ayrımlar

• RankBrain ve BERT — RankBrain bilinmeyen sorguları bilinen kavramlarla eşleştirir; BERT bir sorgu cümlesindeki kelimelerin bağlamsal anlamını anlar.
• Semantik arama ve vector search — semantik arama amaçtır; vector search bir uygulamadır (diğerleri: sorgu genişletme, eş anlamlı kuralları, Knowledge Graph).
• Semantik SEO — konu kapsamı, varlık ilişkileri, amaç eşleşmesi. Eş anlamlı doldurma değildir ve kesinlikle “LSI keywords” değildir (bir efsane; makaleye bakın).
• Anahtar kelime araması ölmedi — BM25 tarzı erişim hâlâ önce çalışır; semantik sistemler kavram eşleşen belgeleri yeniden sıralar ve ekler.

Zihinsel modeller

1. Amaç ve uygulama. Semantik arama varış noktasıdır (anlama göre erişim). Vector search bir araçtır (embeddings + en yakın komşu). Oraya yürüyerek de gidebilirsiniz — sorgu genişletme, eş anlamlı kuralları, varlık aramaları. Varış noktası ile tek bir güzergâhı karıştırmayın.

2. Bir anahtar değil, katmanlı yığın. Knowledge Graph (varlıklar) + RankBrain (bilinmeyen sorgular) + neural matching (kavram eş anlamlıları) + BERT (kelime bağlamı) + MUM (çok modlu). Birlikte katmanlanır ve iş birliği yapar; hiçbir güncelleme öncekini atmadı. “Google bu sorguyu nasıl anlıyor?” diye düşünürken hangi katmanın işi yaptığını sorun.

3. Erişim iki aşamalıdır.

1. aşama: hızlı, anahtar kelime tabanlı, yüksek geri çağırmalı (ters indeks üzerinde BM25). 2. aşama: sinirsel yeniden sıralama + kavram eşleşen eklemeler. Semantik arama çoğunlukla 2. aşamadır — 1. aşamayı tamamlar, silmez.

4. Değişmeyen optimizasyon ilkesi. Her semantik güncelleme aynı yöne işaret eder: doğal dil, konu derinliği, açık varlıklar ve amaçla uyum. Yalnızca kelime sayan bir motor için anlamlı olan bir taktik (doldurma, tam eşleşme takıntısı, “LSI keywords”), artık var olmayan bir makine için optimizasyondur.

5. AI aramasında “ne alıntılanır” kuralı. AI yanıtları = semantik erişim + üretim. Bir pasajı sıralatan şey (açık varlıklar, kendi başına duran bölümler, derinlik), onun erişilip alıntılanmasını sağlayan şeydir. Ayrı bir AI araması hilesi yoktur — aynı pasaj düzeyi kalitesidir.

Semantik arama hataları

Sayfaları “LSI keywords” listeleri etrafında kurmak

LSI anahtar kelime tavsiyesi, modern erişimin nasıl çalıştığını yanlış adlandırır. Konuyu doğal biçimde kapsayın, gerçek varlıkları ve ilişkileri adlandırın ve mekanik biçimde üretilmiş bir eş anlamlılar listesi eklemek yerine kullanıcının amacını yanıtlayın.

Semantik arama ile vector search’ü eş anlamlı sanmak

Semantik erişim, anlamı eşleştirme amacıdır; vektörler bunu destekleyebilecek yöntemlerden biridir. Bir sistemi değerlendirirken veya denetim seçerken bu ayrımı koruyun.

Belirsizliği çözmek yerine ana terimi tekrarlamak

Tekrarı artırmak, bir sayfanın hangi varlığa veya amaca hizmet ettiğini açıklığa kavuşturmaz. Anlamın tek bir anahtar kelime dizesinin ötesinde de korunması için açık adlar, nitelikler, bağlam ve bağlantılı alt konular kullanın.

Kendinizi test edin: Semantik arama

Zaman ayırmaya değer kaynaklar

İlgili incelemelerim

• Semantic SEO (Ahrefs) — EAV modelini ve Google’ın neden salt semantiğe geçmeyeceğini ele alan ileri düzey uygulayıcı rehberi (bu yazıda inceleyiciyim).

Bu sitede

• Entity SEO — varlıkları adlandırma, açıklama ve belirsizliğini giderme disiplini (semantik aramanın Knowledge Graph tarafı).
• Embeddings ve vector search — anlam tabanlı benzerliği çalıştıran teknik mekanizma.
• RAG — AI aramasının pasajlara nasıl eriştiği ve üretilen yanıtları temellendirdiği.

Başkalarından

• Semantic Search — Mateusz Makosiewicz’in anlam tabanlı erişim, varlıklar ve içerik hakkındaki Ahrefs rehberi.
• Google’s Knowledge Graph — Despina Gavoyannis ve Michal Pecánek’in varlık verileri ve SEO hakkındaki Ahrefs rehberi.
• RankBrain glossary ve Hummingbird glossary (Ahrefs) — Ahrefs editör ekibinden hızlı başvuru maddeleri.
• Google’ın Search ranking systems guide — canlı ve kaldırılmış olanların yetkili listesi.
• SEO by the Sea — Hummingbird retrospective — Singhal bağlamıyla ayrıntılı tarihçe.
• Google Hummingbird (Search Engine Land) — Singhal alıntılarıyla Danny Sullivan’ın 2013’teki ilk duyuru haberi; “aramaların %90’ı” ve tam ifade anlamının birincil kaynağı.
• Meet RankBrain, Google’s Artificial Intelligence Search Algorithm (Search Engine Land) — Greg Corrado’nun vektörler ve bilinmeyen sorgular hakkındaki kelimesi kelimesine alıntılarıyla RankBrain’i duyuran 2015 tarihli ilk haber.
• Google Neural Matching (Search Engine Journal) — 2018 neural matching lansmanını, Danny Sullivan’ın “super synonyms” tweet’ini ve RankBrain’den ayrımını ele alır.
• FAQ: All About the BERT Algorithm in Google Search (Search Engine Land) — Danny Sullivan’ın “nothing to optimize for” rehberliği dâhil kapsamlı soru-cevap.
• Google Turning Its Lucrative Web Search Over to AI Machines (Bloomberg) — Greg Corrado’nun onu “üçüncü en önemli sinyal” olarak doğruladığı ilk RankBrain haberi.
• The Science Behind Semantic Search: How AI from Bing Is Powering Azure Cognitive Search (Microsoft Research) — Bing’in BM25 → transformer yeniden sıralama işlem hattını açıklar; Microsoft Docs testlerindeki %2 / %4,5 TO artışı verisini içerir.

Videolar

• Google Search Central (YouTube) — sorgu anlamayı ve arkasındaki sistemleri açıklayan How Google Search Works dizisi de dâhil. Kanal

Alıntılanmaya değer istatistikler

• ~40% of English words have multiple meanings — which is why context (location, history, surrounding words) is what semantic search uses to disambiguate “apple” or “jaguar.” Source
• ~0,89 vector similarity between “how to fix a leaky faucet” and “repairing a dripping tap” — despite sharing almost no words. The concrete face of meaning-based matching. Source
• Neural matching affects ~30% of queries (Danny Sullivan, 2018) — the scope of concept-level “super synonym” matching.
• BERT affected 1 in 10 US English queries at launch (Pandu Nayak, 2019) and now plays a role in nearly every English query. Source
• The Knowledge Graph holds ~1,6 trillion facts about ~54 billion entities today (up from 500M entities at 2012 launch) — the scale of Google’s entity backbone. Source

Değişiklik günlüğü