Herramienta de SEO

Similitud del coseno entre dos textos

Es la medida que usan los sistemas de búsqueda para preguntar si dos documentos hablan de lo mismo. Pega dos textos, dos títulos o dos descripciones y mira el ángulo entre ellos. Sirve bien para investigar canibalización.

En la búsqueda por dirección, quien lee la página es el servidor de este sitio, porque el navegador no permite que una página lea otra. El texto extraído se guarda por una hora, para no descargar la misma página de nuevo, y después se descarta. El texto que pegas en las cajas no sale de tu navegador.

0,000

Similitud del coseno

ángulo 90,0 grados

TérminoABPeso en el producto

Límite de esta medida

La vectorización aquí es por frecuencia de término, sin TF-IDF y sin embeddings. Muestra la mecánica del cálculo.

Un buscador usa vectores densos, producidos por un modelo de lenguaje, y llega a otro número. La pregunta sigue siendo la misma: cuál es el ángulo entre estos dos documentos.

Por qué medir esto

Lo que responde la similitud del coseno

Dos de tus páginas pueden usar palabras diferentes y aun así disputar la misma intención de búsqueda. La similitud del coseno le pone un número a esa disputa. Representa cada texto como un vector, en el que cada dimensión es un término, y mide el ángulo entre los dos vectores.

Medir el ángulo en lugar de la distancia tiene una consecuencia práctica. Un texto de trescientas palabras y otro de tres mil sobre el mismo tema quedan cerca, porque la medida ignora el tamaño y mira solo la dirección. Contar palabras en común se comporta de otra forma, y siempre favorece al texto más largo.

Dois vetores saindo da mesma origem, com o ângulo entre eles marcado, e um terceiro vetor mais longo na mesma direção do primeiro θ Texto B Texto A Texto A, bem mais longo
La medida lee el ángulo θ entre los vectores. La longitud acompaña el tamaño del texto y queda fuera de la cuenta: el texto A y una versión mucho más larga de él apuntan hacia el mismo lado y dan el mismo resultado contra el texto B.

Dónde entra esto en el trabajo

Canibalización

Cuando dos URLs disputan la misma intención, el buscador alterna entre ellas y la posición se vuelve inestable. La medida señala los pares sospechosos antes de que abras el informe de consultas.

Decisión de fusionar o diferenciar

Con el número sobre la mesa, la conversación con el equipo de contenido pasa a girar en torno a cuánto se superponen de verdad las dos páginas.

Migración de plataforma

Para emparejar una URL antigua con una nueva, comparar contenido funciona mejor que comparar rutas, sobre todo cuando la estructura de carpetas cambia por completo.

Catálogo grande

Las descripciones de producto copiadas del fabricante o generadas en serie tienden a repetirse. La medida encuentra los bloques casi idénticos sin que tengas que leerlo todo.

Producción a escala

Si la operación publica muchas piezas por semana, medir la similitud entre ellas muestra si hay variación real o si es la misma pieza con sinónimos cambiados.

Tema nuevo

Antes de publicar, comparar el borrador con las páginas que el sitio ya tiene sobre el tema muestra si el texto nuevo responde otra pregunta o repite una que ya tiene respuesta.

Lo que no responde

La vectorización de esta página es por frecuencia de términos. Desconoce sinónimos y contexto, así que "carro" y "automóvil" entran como términos sin relación, y dos textos sobre el mismo tema con vocabulario diferente salen con similitud baja.

Tampoco mide calidad, profundidad ni intención. Dos páginas superficiales sobre el mismo tema dan similitud alta, y el número no dice nada sobre la calidad de ninguna de las dos.

Hecho verificado
La similitud del coseno es una medida estándar en recuperación de información, usada tanto en el modelo vectorial clásico como en la búsqueda por vectores densos.

Hipótesis
El número que aparece aquí no reproduce lo que calcula un buscador. Los sistemas en producción usan vectores densos producidos por modelos de lenguaje, además de señales que no están en el texto. Usa este resultado para ver el mecanismo. No estima lo que ve Google.