Linkagem interna por vetorização: conexões que a keyword não enxerga
Como usar embeddings e cosine similarity para encontrar oportunidades de linkagem interna semântica em escala. Conceito, prática e ferramentas.
destaques
- Dois artigos podem falar sobre o mesmo assunto sem compartilhar nenhuma keyword. O modelo léxico não conecta os dois. O vetorial conecta.
- Linkagem por vetores parte do significado das páginas, não das palavras. O resultado são sugestões de link que o processo manual raramente encontraria.
- O threshold de similaridade é a principal decisão do processo: muito baixo e as sugestões ficam irrelevantes, muito alto e você perde conexões reais.
- A automação descobre as oportunidades. A decisão de onde e como inserir o link ainda é editorial.
- Para sites grandes, a análise escala com ferramentas como Screaming Frog v22.0 ou Python com sentence-transformers, sem precisar de infraestrutura complexa.
o problema do modelo léxico para linkagem interna
Como é feita a linkagem interna hoje na maioria dos sites: lista manual de oportunidades, plugins que cruzam tags e categorias, busca por páginas que mencionam determinada keyword. Todos esses métodos partem de palavras.
A Screaming Frog documentou bem o problema: quando você mapeia páginas por similaridade de significado, surgem conexões que o processo manual simplesmente não encontraria. Não porque alguém foi negligente, mas porque é humanamente impossível manter na cabeça todas as relações semânticas possíveis entre centenas de artigos publicados ao longo de anos.
Um site com 500 artigos e processo manual de linkagem provavelmente tem dezenas de conexões fortes que nunca foram feitas porque o vocabulário de cada artigo é diferente. Essas conexões não existem, e a autoridade temática que poderia fluir entre as páginas fica retida.
como funciona a linkagem vetorial na prática
O fluxo tem quatro etapas. Crawl das páginas para capturar o conteúdo limpo de cada URL. Geração de um vetor de significado por página. Cálculo de quão próximos esses vetores são entre si, par a par. Filtragem das sugestões mais relevantes por um score mínimo de similaridade.
Esse score mínimo, chamado de threshold, é a decisão mais importante do processo. Um valor de 0.7 ou mais tende a capturar relação semântica real entre as páginas. Abaixo disso, o modelo começa a sugerir conexões frouxas que não justificam um link. O número certo varia: um site especializado em um único tema vai ter scores médios mais altos do que um portal generalista, então o threshold precisa ser calibrado para cada contexto.
O Screaming Frog v22.0 introduziu busca semântica nativa: você descreve o que procura e ele retorna as páginas do crawl mais próximas por significado. É exatamente essa lógica aplicada à descoberta de links, sem precisar escrever uma linha de código.
Sobre o anchor text: quando você sabe que duas páginas são semanticamente próximas, o anchor ideal não precisa ser a keyword exata da página destino. Pode ser o conceito que aparece naturalmente no parágrafo de origem. O resultado é variação de anchor text de forma orgânica, sem forçar.
semantic mesh: links que emergem do conteúdo
O modelo tradicional de linkagem interna é hierárquico: você define uma página principal (o pilar), páginas secundárias ao redor (os spokes), e os spokes linkam para o pilar. A estrutura é decidida antes de qualquer análise de conteúdo.
O conceito de Semantic Mesh inverte essa lógica: a rede de links emerge do próprio conteúdo. Qualquer par de páginas com similaridade alta vira candidato a link. Isso revela conexões entre clusters diferentes que o modelo hierárquico não capturaria: um artigo de SEO técnico pode ter alta afinidade semântica com um artigo de produção de conteúdo, e essa conexão faz sentido editorial mesmo estando fora da hierarquia planejada.
Nossa hipótese é que esse modelo distribui autoridade temática de forma mais fiel ao que os sistemas de busca enxergam como relevância contextual. Não há dados públicos que provem isso de forma direta, mas é estruturalmente coerente com como a recuperação semântica funciona.
Um ponto de atenção: automação total, com links sendo publicados sem revisão, requer cuidado. O risco é anchor text repetitivo e excesso de links saindo de uma mesma página. O valor real do processo está na descoberta assistida: o modelo sugere, o analista decide.
o que o modelo não resolve
Score de similaridade alto não garante que o link vai funcionar em qualquer posição do artigo. Duas páginas podem ser semanticamente próximas, mas o contexto de um parágrafo específico pode não justificar o link naquele trecho.
O modelo encontra os candidatos. A decisão de onde inserir o link, com qual anchor e com qual frequência continua sendo editorial. Isso não é uma limitação do processo, é a divisão certa de trabalho entre a análise automatizada e o julgamento humano.
Para sites muito grandes, a comparação de todas as páginas entre si pode ficar lenta. Mas para a maioria dos sites de conteúdo, o processo roda sem problema com as ferramentas abaixo.
por onde começar
O Screaming Frog v22.0 com integração OpenAI ou Ollama (gratuito, local) é o caminho mais direto: crawl, embeddings e busca semântica em uma única ferramenta, sem configuração adicional.
Para quem quer mais controle sobre o processo, Python com sentence-transformers resolve o fluxo completo para sites de até alguns milhares de páginas. Você gera os embeddings, calcula os scores e exporta os pares acima do threshold para revisar.
considerações finais
Linkagem interna por vetorização não substitui o julgamento editorial. Substitui a dependência de correspondência de palavras para descobrir quais páginas merecem ser conectadas.
O processo manual é incompleto por definição em sites com muito conteúdo: ninguém consegue rastrear todas as conexões semânticas entre artigos publicados ao longo de anos. Os vetores fazem esse mapeamento. O que fazer com ele continua sendo decisão de quem conhece o site.
Lucas Cassapula
Sócio & Head de SEO na Wesearch e Co-founder da Mentionflow
Sou sócio da Wesearch e Co-founder da Mentionflow. Trabalho com SEO há quase 10 anos. Geek de carteirinha e viciado em dados. Vivo testando hipóteses, caçando padrões e tirando ideias do papel. Sempre compartilho estudos, testes e automações que envolvam o universo de SEO e GEO.