Internal Link Recommendation

Le node Internal Link Recommendation classe les pages d'un dataset CSV en croisant similarité sémantique et PageRank pour faire émerger les meilleures opportunités de maillage interne.

À quoi sert le node Internal Link Recommendation ?

Le node Internal Link Recommendation prend une requête textuelle et classe les pages d’un dataset CSV en combinant deux signaux : la similarité sémantique entre la requête et chaque titre de page (TF-IDF + cosinus, avec stopwords adaptés à la langue détectée) et le score PageRank interne de la page (colonne inrank). Il renvoie le top N sous forme de tableau JSON, avec une rotation aléatoire entre les pages sélectionnées pour éviter de toujours proposer exactement les mêmes suggestions.

Cas d’usage typiques :

• Générer une short-list de liens internes pertinents lors de la rédaction d’un article.
• Construire des cocons sémantiques en faisant ressortir les pages thématiquement liées à un sujet pilier.
• Mieux distribuer le link equity en augmentant le poids du PageRank pour favoriser les pages à forte autorité.

Configuration rapide

Paramètres de configuration

Le node combine un port d’entrée pour la requête et des paramètres dans le panneau latéral.

Champs requis

Champs optionnels

Que renvoie le node ?

Le node renvoie une chaîne JSON représentant un tableau de liens recommandés, triés par final_score décroissant puis pivotés selon un offset aléatoire. Les pages dont la similarité vaut 0 sont filtrées. Chaque entrée contient l’URL source, le titre, le inrank brut, la similarité cosinus et le final_score combiné.

Comment récupérer l’output ?

1. Tirez un lien depuis la sortie Recommended Links.
2. Connectez-le au node suivant (typiquement un LLM, un JSON Path Extractor ou un HTML to Markdown).
3. Dans ce node suivant, nommez votre propre variable (par exemple liens_json). La chaîne JSON y est injectée directement. Passez-la à un JSON Path Extractor ou demandez à un LLM de formater des ancres HTML.

[
  {
    "url": "https://example.com/guides/technical-seo-checklist",
    "title": "Technical SEO Checklist for 2025",
    "inrank": 7.8,
    "similarity": 0.91,
    "final_score": 0.98
  },
  {
    "url": "https://example.com/blog/crawl-budget-optimization",
    "title": "How to Optimize Your Crawl Budget",
    "inrank": 6.3,
    "similarity": 0.84,
    "final_score": 0.87
  }
]

Exemples d’utilisation

Cas 1 : Maillage éditorial depuis un brouillon d’article

Vous rédigez un article sur l’audit SEO technique et voulez cinq liens internes pertinents à intégrer dans le corps du texte.

Donnée d’entrée (Query) :

audit SEO technique erreurs de crawl indexation

Dataset CSV (extrait) :

url,title,inrank
https://exemple.com/guides/checklist-seo-technique,Checklist SEO technique 2025,7.8
https://exemple.com/blog/optimisation-budget-crawl,Optimiser son budget de crawl,6.3
https://exemple.com/outils/audit-site,Outil d'audit de site gratuit,9.1
https://exemple.com/blog/recettes,Meilleures recettes de pâtes,4.2

Configuration :

• Number of links to return : 5
• Semantic Weight : 0.8
• PageRank Weight : 0.4

Output :

[
  {
    "url": "https://exemple.com/guides/checklist-seo-technique",
    "title": "Checklist SEO technique 2025",
    "inrank": 7.8,
    "similarity": 0.91,
    "final_score": 1.04
  },
  {
    "url": "https://exemple.com/outils/audit-site",
    "title": "Outil d'audit de site gratuit",
    "inrank": 9.1,
    "similarity": 0.42,
    "final_score": 0.74
  }
]

La page de recettes est filtrée car sa similarité vaut 0.

Cas 2 : Construction d’un cocon avec biais d’autorité

Vous bâtissez un cocon sémantique autour de content marketing et souhaitez favoriser les pages à forte autorité.

Configuration :

• Number of links to return : 10
• Semantic Weight : 0.5
• PageRank Weight : 0.7

Workflow :

graph LR
    Input[Text Input
<br/>mots-clés du sujet] --> ILR[Internal Link Recommendation]
    ILR --> LLM[LLM
<br/>formate les ancres HTML]
    LLM --> FR[Find and Replace
<br/>injecte dans le template]

Le LLM consomme le tableau JSON et produit des ancres HTML prêtes à coller. Le Find and Replace remplace ensuite un placeholder du template d’article par le bloc généré.

Problèmes courants

Bonnes pratiques et pièges à éviter

Comment s’intègre-t-il dans un workflow ?

Internal Link Recommendation se place typiquement entre une source de contenu et une étape de mise en forme, transformant un sujet en liste JSON d’ancres suggérées que les nodes en aval injectent dans le contenu final.

graph LR
    Topic[Text Input
<br/>sujet ou brouillon] --> ILR[Internal Link Recommendation]
    ILR --> LLM[LLM
<br/>construit les ancres HTML]
    LLM --> Output[Docs Writer
<br/>ou Find and Replace]

Nodes complémentaires