קישורים פנימיים אוטומטיים: גישה היברידית שעובדת

קישורים פנימיים: אוטומציה שעובדת

תארו לעצמכם: אתר עם 300 מאמרים, כל שני הוא יתום (אין לו קישורים פנימיים). גוגל לא יכול למצוא את הדפים האלה, PageRank לא זורם, משתמשים הולכים לאיבוד. קישור ידני בקנה מידה כזה לוקח 3 עורכים שבוע — וחודש אחר כך מופיעים 10 מאמרים חדשים, כך שהתהליך חוזר על עצמו. הניסיון שלנו מראה: מערכת אוטומטית מחזירה את ההשקעה תוך 1–2 חודשים.

אנחנו לוקחים על עצמנו את התכנון וההטמעה של מערכת כזו — סוהר, מותאם לסטack שלכם. להלן איך אנחנו עושים את זה.

אוטומציה פותרת את בעיית הדפים היתומים

דפים יתומים מאבדים תנועה ומשקל

ללא קישורים פנימיים נכנסים, סורקים ממעטים למצוא אותם, ואם הם מוצאים, הם לא מעבירים משקל קישורים. התוצאה: דירוגים נמוכים, טווח הגעה קטן. בפרויקט אחד מצאנו ש-40% מפוסטי הבלוג לא היו להם קישורים פנימיים — אחרי אוטומציה, התנועה אליהם גדלה פי 2.5 תוך 3 חודשים.

קישור ידני לא מתקפל

ב-500+ עמודים, עורך לא יכול לזכור את כל הקשרים הרלוונטיים. הם מכניסים קישורים אינטואיטיבית, ומפספסים זוגות ברורים. מערכת אוטומטית (מילות מפתח + סמנטית) מוצאת קישורים שאדם היה מתעלם מהם, תוך שניות.

עוגנים מאבדים רלוונטיות

באופן ידני, קשה להבטיח שהעוגן תואם בדיוק לתוכן דף היעד. התאמת מילות מפתח מבטיחה: הקישור ממוקם על המילה המדויקת שמתארת את הדף. התאמה סמנטית הולכת רחוק יותר — היא מוצאת דפים לפי משמעות גם אם העוגן לא תואם.

למה גישה היברידית עולה על שיטה אחת?

אנחנו משתמשים בהיברידית: מבוססת מילות מפתח להתאמות ישירות, התאמה סמנטית לבלוק "מאמרים קשורים". השילוב הזה מניב 30–60% יותר קליקים בהשוואה לשימוש בשיטה אחת בלבד.

קישור מבוסס מילות מפתח

אנחנו בונים מילון מילות מפתח מכותרות ושדות מטא של כל המאמרים שפורסמו. אנחנו ממיינים לפי אורך כך שמילות מפתח ארוכות תואמות לפני קצרות (נמנעים מהתאמות חלקיות כמו "React" בתוך "React Native").

class AutoLinker {
    // Словарь: ключевое слово → URL
    private array $linkMap;

    public function __construct() {
        // Загружаем из кэша или из БД
        $this->linkMap = Cache::remember('autolink_map', 3600, function () {
            return Article::where('is_published', true)
                ->get()
                ->flatMap(fn($a) => collect($a->keywords)->mapWithKeys(
                    fn($kw) => [$kw => route('articles.show', $a->slug)]
                ))
                ->all();
        });

        // Сортируем по длине ключевого слова (длинные сначала, чтобы избежать частичных совпадений)
        uksort($this->linkMap, fn($a, $b) => strlen($b) - strlen($a));
    }

    public function process(string $html, string $currentUrl): string {
        $dom = new \DOMDocument();
        @$dom->loadHTML(mb_convert_encoding($html, 'HTML-ENTITIES', 'UTF-8'));

        $linked = []; // Не ставим одну и ту же ссылку дважды

        foreach ($this->linkMap as $keyword => $url) {
            if ($url === $currentUrl) continue;
            if (isset($linked[$url])) continue;

            // Ищем только в текстовых нодах, не внутри уже существующих ссылок
            $xpath = new \DOMXPath($dom);
            $textNodes = $xpath->query('//text()[not(ancestor::a) and not(ancestor::code) and not(ancestor::pre)]');

            foreach ($textNodes as $node) {
                $pattern = '/\b' . preg_quote($keyword, '/') . '\b/ui';
                if (preg_match($pattern, $node->nodeValue)) {
                    // Заменяем только первое вхождение
                    $new = preg_replace(
                        $pattern,
                        "<a href=\"{$url}\">{$keyword}</a>",
                        $node->nodeValue,
                        1
                    );

                    $fragment = $dom->createDocumentFragment();
                    @$fragment->appendXML($new);
                    $node->parentNode->replaceChild($fragment, $node);

                    $linked[$url] = true;
                    break;
                }
            }
        }

        return $dom->saveHTML();
    }
}

לאחר העיבוד, כל דף מקבל 3–5 קישורים פנימיים נוספים שמחלקים משקל באופן שווה.

קישור סמנטי עם Embeddings וקטוריים

לבלוק "מאמרים קשורים", אנחנו משתמשים בייצוגים וקטוריים. כשמאמר נשמר, אנחנו מייצרים embedding דרך OpenAI text-embedding-3-small ומאחסנים אותו ב-PostgreSQL עם תוסף pgvector. מציאת מאמרים דומים היא שאילתת מרחק קוסינוס.

class SemanticLinker {
    public function findRelated(Article $article, int $limit = 5): Collection {
        // Предварительно рассчитанные эмбеддинги хранятся в PostgreSQL + pgvector
        return Article::selectRaw('*, embedding <=> ? AS distance', [$article->embedding])
            ->where('id', '!=', $article->id)
            ->where('is_published', true)
            ->whereRaw('embedding IS NOT NULL')
            ->orderBy('distance')
            ->limit($limit)
            ->get();
    }

    // Расчёт эмбеддинга при сохранении статьи
    public function generateEmbedding(Article $article): void {
        $text = $article->title . "\n" . strip_tags($article->excerpt);
        $response = Http::withToken(config('openai.key'))
            ->post('https://api.openai.com/v1/embeddings', [
                'model' => 'text-embedding-3-small',
                'input' => $text,
            ]);
        $embedding = $response->json('data.0.embedding');
        $article->update(['embedding' => json_encode($embedding)]);
    }
}

תוצאה: בלוק המאמרים הקשורים לא מבוסס רק על תגיות אלא על דמיון סמנטי אמיתי. שיעור הקליקים על הקישורים האלה גבוה ב-30–60%.

רכיב React למאמרים קשורים

רכיב UI מוכן שמטעין נתונים מ-API ומציג ככרטיסים. דורש React 18+ ו-TanStack Query.

// RelatedArticles.tsx
interface Article {
  id: number;
  title: string;
  slug: string;
  excerpt: string;
  category: string;
}

export function RelatedArticles({ articleId }: { articleId: number }) {
  const { data: related } = useQuery({
    queryKey: ['related', articleId],
    queryFn: () => fetch(`/api/articles/${articleId}/related`).then(r => r.json()),
    staleTime: 5 * 60 * 1000,
  });

  if (!related?.length) return null;

  return (
    <aside className="mt-12 border-t pt-8">
      <h3 className="text-lg font-semibold mb-4">По теме</h3>
      <div className="grid grid-cols-1 sm:grid-cols-2 gap-4">
        {related.map((article: Article) => (
          <a
            key={article.id}
            href={`/articles/${article.slug}`}
            className="block p-4 border rounded-lg hover:border-blue-400 transition-colors"
          >
            <span className="text-xs text-blue-600 uppercase tracking-wide">{article.category}</span>
            <h4 className="font-medium mt-1 text-sm leading-snug">{article.title}</h4>
          </a>
        ))}
      </div>
    </aside>
  );
}

אילו תוצאות הגישה ההיברידית מראה?

השוו מדדים מרכזיים לפני ואחרי ההטמעה:

מה כלול

סה"כ: 3–7 ימי עסקים תלוי בסטack שלכם ובמורכבות האינטגרציה. צרו קשר להערכה ראשונית של הפרויקט שלכם.

איך אנחנו עובדים

1. ניתוח — ביקורת על המבנה הנוכחי, איסוף סמנטיקה, זיהוי דפים יתומים.
2. עיצוב — בחירת גישה (מילות מפתח, סמנטית, או היברידית), ארכיטקטורת מילון, אינטגרציית CMS.
3. הטמעה — כתיבת קוד מקשר, הגדרת Embeddings, פיתוח רכיב UI.
4. בדיקות — אימות על נתוני בדיקה: אין שבירת עיצוב, אין קישורים מעגליים, חריגים נכונים.
5. פריסה וניטור — העלאה לייצור, רישום שגיאות, מעקב אחר מדדים (מספר קישורים, LCP, INP).

רשימת בדיקה: האם אתם מוכנים לקישור אוטומטי?

• [ ] לכל המאמרים יש כותרות ייחודיות ותיאורי מטא
• [ ] ל-CMS יש שדה "מילות מפתח" (או שאנחנו יכולים להוסיף אותו)
• [ ] הסטack שלכם תומך ב-PHP 8.3+ או Node.js (ל-Embeddings)
• [ ] יש לכם PostgreSQL (ל-pgvector) או שאתם מוכנים לעבור

אם כל הפריטים מסומנים — ההטמעה אורכת 3–5 ימים. אם לא, נעזור לחדד את המבנה.

הזמינו ייעוץ — ננתח את האתר שלכם, ניתן הערכה, ונספק לוחות זמנים מדויקים.