Podobieństwo cosinusowe w SEO: jak działa i dlaczego ma znaczenie?

Podobieństwo cosinusowe to miara, która liczy, jak bardzo dwa teksty są do siebie podobne znaczeniowo, gdy zamieni się je na wektory liczb. Na tej zasadzie działają narzędzia, które wykrywają podobne podstrony, podpowiadają linki wewnętrzne albo dobierają fragmenty do odpowiedzi AI. Poniżej wyjaśniamy, jak to działa, co wiadomo o Google i jak wykorzystać tę miarę w SEO.

Co to jest podobieństwo cosinusowe?

Podobieństwo cosinusowe to cosinus kąta między dwoma wektorami. Im mniejszy kąt, tym większe podobieństwo.

Wyobraź sobie dwie strzałki wychodzące z jednego punktu. Jeśli wskazują ten sam kierunek, wynik wynosi 1. Jeśli są do siebie prostopadłe, wynik wynosi 0, czyli strzałki nie mają ze sobą nic wspólnego. Jeśli wskazują przeciwne kierunki, wynik wynosi -1.

Najważniejsza cecha tej miary: liczy się kierunek, a nie długość strzałki. Kurs uczenia maszynowego Google opisuje to wprost: cosinus zależy wyłącznie od kąta między wektorami, a długość wektora nie ma na niego wpływu. Dla tekstów oznacza to, że krótki opis kategorii i długi poradnik o tym samym temacie mogą dostać wysoki wynik, choć różnią się objętością.

Tej miary używają systemy rekomendacji, wyszukiwarki dokumentów i narzędzia SEO. Wszędzie zadanie jest podobne: znaleźć rzeczy najbliższe znaczeniowo temu, czego ktoś szuka.

Jak tekst zamienia się w wektor?

Tekst zamienia się w wektor przez model, który każdemu słowu, zdaniu albo całej stronie przypisuje listę liczb. Ten krok nazywa się wektoryzacją, a jego wynik w nowszych modelach to embedding, po polsku osadzenie.

Metody różnią się tym, co potrafią uchwycić:

Metoda	Jak działa	Czego nie widzi
Worek słów (Bag of Words)	liczy, ile razy słowo pada w tekście	kolejności słów i synonimów
TF-IDF	waży słowo tym wyżej, im częściej pada w tekście i im rzadziej w innych dokumentach	synonimów: „tani” i „niedrogi” to dla niego różne słowa
Osadzenia słów (np. Word2Vec)	uczy się, że słowa używane w podobnych kontekstach mają podobne wektory	kontekstu zdania: „zamek” w drzwiach i „zamek” w Malborku mają jeden wektor
Modele językowe (np. BERT, modele embeddingów OpenAI i Gemini)	tworzą wektor całego fragmentu z uwzględnieniem kontekstu	faktów: podobny temat nie oznacza poprawnej odpowiedzi

W SEO liczy się dziś głównie ostatni wiersz. Model taki jak BERT rozumie, że „tanie smartfony” i „niedrogie telefony” to prawie to samo pytanie, więc ich wektory leżą blisko siebie. Skąd modele biorą tę wiedzę, wyjaśniamy we wpisie o uczeniu maszynowym.

Jedna zasada jest tu twarda: porównywać można tylko wektory z tego samego modelu. Wynik z jednego modelu nie ma sensu obok wyniku z innego.

Jak liczy się podobieństwo cosinusowe?

Podobieństwo cosinusowe to iloczyn skalarny dwóch wektorów podzielony przez iloczyn ich długości. Brzmi groźnie, ale na prostym przykładzie widać, o co chodzi.

Weź wektory w dwóch wymiarach:

Para wektorów	Obliczenie	Wynik	Co to znaczy
A (1, 2) i B (2, 4)	(1·2 + 2·4) / (√5 · √20) = 10 / 10	1	ten sam kierunek, B jest tylko dłuższy
A (1, 2) i C (2, -1)	(1·2 + 2·(-1)) / (√5 · √5) = 0 / 5	0	kierunki prostopadłe, brak związku
A (1, 2) i D (-1, -2)	(1·(-1) + 2·(-2)) / (√5 · √5) = -5 / 5	-1	kierunki przeciwne

Wektory tekstów mają setki albo tysiące wymiarów zamiast dwóch, ale rachunek jest ten sam. Narzędzia SEO pokazują zwykle wynik w skali od 0 do 1.

Część dostawców upraszcza ten rachunek. OpenAI podaje, że wektory z jego API mają domyślnie długość 1. Podobieństwo cosinusowe da się wtedy policzyć samym iloczynem skalarnym, a kolejność wyników wychodzi taka sama jak przy odległości euklidesowej.

Czy Google używa podobieństwa cosinusowego?

Google nie mówi, jakiej dokładnie miary używa. Potwierdza za to, że od lat dopasowuje strony do zapytań po znaczeniu, a nie tylko po słowach.

Pandu Nayak, wiceprezes Google odpowiedzialny za wyszukiwarkę, opisał w lutym 2022 roku systemy, które to robią (blog Google):

• RankBrain (od 2015 roku): pierwszy system uczenia głębokiego w wyszukiwarce, łączy słowa z zapytania z pojęciami.
• Neural matching (od 2018 roku): patrzy na całe zapytanie albo całą stronę zamiast na pojedyncze słowa kluczowe. Pomaga wybrać szeroki zbiór stron, które mogą pasować.
• BERT (od 2019 roku): rozumie, jak połączenie słów wyraża myśl. Google używa go do wyszukiwania stron oraz do ich rankingu.

Systemy tego typu zamieniają zapytania i strony na reprezentacje liczbowe, a potem je porównują. Podobieństwo cosinusowe jest jedną z typowych miar takiego porównania, ale to, czy Google liczy właśnie cosinus, pozostaje niepotwierdzone. Bezpieczny wniosek jest prostszy: strona o „niedrogich telefonach” może odpowiadać na zapytanie „tanie smartfony”, bo liczy się zgodność znaczenia.

To samo dotyczy odpowiedzi AI. Google podaje, że AI Overviews i AI Mode mogą wysyłać wiele powiązanych zapytań (query fan-out), żeby zebrać materiał do odpowiedzi. Jak pisać pod takie zapytania, opisujemy we wpisie o query fan-out.

Twoja strona może więc trafić do odpowiedzi dzięki jednemu z zapytań cząstkowych, a nie tylko dzięki temu, które wpisał użytkownik.

W modelu Search Ecosystem™ dopasowanie znaczenia łączy dwa obszary: Google Search oraz AI Search. Ta sama uporządkowana treść pracuje na pozycje w wynikach i na obecność w odpowiedziach asystentów. SEO nie umiera, ale samo już nie wystarcza.

Do czego podobieństwo cosinusowe przydaje się w SEO?

Najbardziej przydaje się tam, gdzie trzeba porównać dużo tekstów naraz, a czytanie każdego zajęłoby tygodnie. Tabela pokazuje typowe zadania.

Zadanie	Co porównujesz	Co robisz z wynikiem
Kanibalizacja i bliskie duplikaty	podstrony między sobą	scalasz strony albo rozdzielasz ich tematy
Linkowanie wewnętrzne	artykuł z pozostałymi stronami serwisu	linkujesz do stron najbliższych tematycznie
Przypisanie zapytań do stron	zapytania z Search Console ze stronami	każdemu zapytaniu dajesz jedną stronę docelową
Luki w treści	Twoja strona z wynikami z czołówki Google	dopisujesz wątki, których brakuje
Strony nie na temat	każda strona ze średnią całego serwisu	poprawiasz, przenosisz albo usuwasz strony odstające

W projekcie dla alpinepro.pl porządkowaliśmy drzewo kategorii i linkowanie w treściach, żeby kategorie odpowiadały na frazy, od których klient zaczyna szukanie, jak buty trekkingowe.

Dobrze dobrane słowa kluczowe nadal mają znaczenie. Pracują jednak w grupach tematycznych, a nie pojedynczo.

Jak zmierzyć podobieństwo stron w praktyce?

Najprościej w crawlerze, który liczy embeddingi za Ciebie. Screaming Frog SEO Spider od wersji 22.0 z czerwca 2025 roku pobiera wektory stron przez API OpenAI, Gemini albo lokalnie przez Ollamę. Potem ocenia podobieństwo stron w skali od 0 do 1: domyślnie za podobne uznaje strony z wynikiem powyżej 0,95, a próg da się obniżyć do 0,5.

Jak przeprowadzić taką analizę:

1. Wybierz model embeddingów i trzymaj się go przez całą analizę.
2. Przeskanuj serwis i wyklucz strony bez treści, np. koszyk albo logowanie.
3. Przejrzyj pary stron z najwyższym wynikiem. To kandydaci do scalenia albo rozdzielenia tematów.
4. Sprawdź strony najdalsze od średniej serwisu. Screaming Frog pokazuje je w filtrze stron o niskiej trafności (Low Relevance Content).
5. Porównaj wyniki z danymi z Search Console: czy podobne strony dostają wyświetlenia na te same zapytania.
6. Decyzję podejmij po przeczytaniu stron, nie po samym wyniku.

Przy większych serwisach analizę robi się też w Pythonie, np. bibliotekami scikit-learn albo sentence-transformers. Masz wtedy pełną kontrolę nad modelem i progami, ale potrzebujesz programisty.

Gdzie podobieństwo cosinusowe wprowadza w błąd?

Wynik podobieństwa mówi o bliskości tematu, a nie o jakości strony. To najczęstsze nieporozumienie.

• Podobny nie znaczy lepszy. Strona może mieć wysoki wynik względem zapytania i nie odpowiadać na nie, np. powtarzać pytanie innymi słowami.
• Model nie zna faktów. Tekst z błędną ceną albo nieaktualną procedurą dostaje ten sam wynik co poprawny.
• Przeczenia giną. Zdania „produkt nadaje się do biegania” oraz „produkt nie nadaje się do biegania” mogą mieć bardzo bliskie wektory.
• Długie strony się uśredniają. Wektor strony o wielu tematach leży gdzieś pomiędzy nimi. Dlatego systemy RAG, z których korzystają asystenci AI, dzielą tekst na krótsze fragmenty.
• Progi zależą od modelu. Wynik 0,8 w jednym modelu może znaczyć coś innego niż w drugim.

Traktuj więc wynik jak listę rzeczy do sprawdzenia, a nie gotową decyzję.

Co zrobić teraz?

Podobieństwo cosinusowe to narzędzie do porządkowania treści, a nie sposób na wyższe pozycje. Pokazuje, które strony mówią o tym samym, czego brakuje i gdzie postawić link.

Nie musisz pisać pod tę miarę. Google podaje, że do AI Overviews i AI Mode nie są potrzebne żadne dodatkowe optymalizacje poza podstawami SEO. Wygrywa strona, która jasno odpowiada na jedno pytanie i nie dubluje innej podstrony.

Co dalej: wybierz jedną część serwisu, na przykład blog albo kategorie. Znajdź w niej pary najbardziej podobnych stron i zacznij od tych, które w Search Console dostają wyświetlenia na te same zapytania.

Najczęstsze pytania.

Jaki zakres wartości ma podobieństwo cosinusowe?

Od -1 do 1. Wynik 1 oznacza ten sam kierunek wektorów, 0 brak związku, a -1 kierunki przeciwne; narzędzia SEO zwykle pokazują go w skali od 0 do 1.

Czym podobieństwo cosinusowe różni się od odległości euklidesowej?

Odległość euklidesowa mierzy dystans między końcami wektorów, więc zależy od ich długości, a cosinus patrzy tylko na kąt. Gdy wektory mają długość 1, obie miary ustawiają wyniki w tej samej kolejności.

Czy trzeba pisać teksty pod podobieństwo cosinusowe?

Nie. To miara do analizy, a nie czynnik, który da się podkręcić. Lepiej działa strona, która jasno odpowiada na jedno pytanie i nie powtarza tematu innej podstrony.

Jaki wynik oznacza, że dwie strony są duplikatami?

Nie ma jednego progu, bo zależy on od modelu. Screaming Frog domyślnie oznacza jako podobne strony z wynikiem powyżej 0,95, ale każdą taką parę warto przeczytać przed decyzją.