Ferramenta de SEO

Similaridade de cosseno entre dois textos

É a medida que sistemas de busca usam para perguntar se dois documentos falam da mesma coisa. Cole dois textos, dois títulos ou duas descrições e veja o ângulo entre eles. Serve bem para investigar canibalização.

Na busca por endereço, quem lê a página é o servidor deste site, porque o navegador não permite que uma página leia outra. O texto extraído fica guardado por uma hora, para a mesma página não ser baixada de novo, e depois é descartado. O texto que você cola nas caixas não sai do seu navegador.

0,000

Similaridade de cosseno

ângulo 90,0 graus

TermoABPeso no produto

Limite desta medida

A vetorização aqui é por frequência de termo, sem TF-IDF e sem embedding. Ela mostra a mecânica do cálculo.

Um buscador usa vetores densos, produzidos por um modelo de linguagem, e chega a outro número. A pergunta continua a mesma: qual o ângulo entre estes dois documentos.

Por que medir isso

O que a similaridade de cosseno responde

Duas páginas suas podem usar palavras diferentes e ainda assim disputar a mesma intenção de busca. A similaridade de cosseno dá um número para essa disputa. Ela representa cada texto como um vetor, em que cada dimensão é um termo, e mede o ângulo entre os dois vetores.

Medir ângulo em vez de distância tem uma consequência prática. Um texto de trezentas palavras e outro de três mil sobre o mesmo assunto ficam próximos, porque a medida ignora o tamanho e olha só a direção. Contagem de palavras em comum se comporta de outro jeito, favorecendo sempre o texto mais longo.

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
A medida lê o ângulo θ entre os vetores. O comprimento acompanha o tamanho do texto e fica fora da conta: o texto A e uma versão bem mais longa dele apontam para o mesmo lado e dão o mesmo resultado contra o texto B.

Onde isso entra no trabalho

Canibalização

Quando duas URLs disputam a mesma intenção, o buscador alterna entre elas e a posição fica instável. A medida aponta os pares suspeitos antes de você abrir o relatório de consultas.

Decisão de fundir ou diferenciar

Com o número na mesa, a conversa com o time de conteúdo passa a girar em torno de quanto as duas páginas se sobrepõem de fato.

Migração de plataforma

Para casar URL antiga com URL nova, comparar conteúdo funciona melhor do que comparar caminho, principalmente quando a estrutura de pastas muda inteira.

Catálogo grande

Descrição de produto copiada do fabricante ou gerada em série tende a se repetir. A medida encontra os blocos quase idênticos sem você precisar ler tudo.

Produção em escala

Se a operação publica muitas peças por semana, medir a similaridade entre elas mostra se existe variação real ou se é a mesma peça com sinônimo trocado.

Pauta nova

Antes de publicar, comparar o rascunho com as páginas que o site já tem sobre o tema mostra se o texto novo responde outra pergunta ou repete uma que já tem resposta.

O que ela não responde

A vetorização desta página é por frequência de termo. Ela desconhece sinônimo e contexto, então "carro" e "automóvel" entram como termos sem relação, e dois textos sobre o mesmo assunto com vocabulário diferente saem com similaridade baixa.

Ela também não mede qualidade, profundidade nem intenção. Duas páginas rasas sobre o mesmo tema dão similaridade alta, e o número não diz nada sobre a qualidade de nenhuma das duas.

Fato verificado
Similaridade de cosseno é medida padrão em recuperação da informação, usada tanto no modelo vetorial clássico quanto em busca por vetores densos.

Hipótese
O número que aparece aqui não reproduz o que um buscador calcula. Sistemas de produção usam vetores densos produzidos por modelo de linguagem, além de sinais que não estão no texto. Use este resultado para enxergar o mecanismo. Ele não estima o que o Google vê.