Ouvrir le Studio

Internal Link Recommendation

Recommandez des liens internes en fonction de la pertinence du contenu et de l'importance des pages, via l'analyse semantique et le scoring PageRank.

A quoi sert ce node ?

Le node Internal Link Recommendation analyse une requete par rapport a un dataset CSV des pages de votre site pour recommander des liens internes bases sur la pertinence semantique et le score PageRank. Il combine la similarite de contenu avec l’autorite des pages pour faire remonter les meilleures opportunites de maillage interne.

Cas d’usage courants :

  • Optimiser le maillage interne pour le SEO en identifiant les pages les plus pertinentes et les plus autoritaires vers lesquelles pointer.
  • Trouver du contenu connexe a referencer lors de la redaction ou de la mise a jour d’articles.
  • Construire des clusters thematiques en identifiant les pages thematiquement liees a travers votre site.

Configuration rapide

Ajouter le node au canevas

Ouvrez la bibliotheque de nodes, naviguez dans Tools > SEO Content, puis glissez-deposez le node Internal Link Recommendation sur votre espace de travail.

Preparer votre dataset CSV

Creez un fichier CSV avec trois colonnes : url, title et inrank (score PageRank). Vous pouvez exporter ces donnees depuis des outils comme Screaming Frog, Oncrawl ou votre propre pipeline d’analyse.

Configurer le node

Importez votre dataset CSV, definissez le nombre de liens a retourner et ajustez les poids semantique et PageRank en fonction de votre strategie de maillage.

Connecter et executer

Connectez une entree texte (mots-cles ou contenu) a l’entree query et reliez la sortie au node suivant de votre workflow.

Configuration

Entree

query string required

Les mots-cles ou le contenu a comparer aux titres de pages de votre dataset. C’est la base du calcul de similarite semantique.

Parametres

urlDataset csv required

Un fichier CSV contenant les donnees URL de votre site. Le fichier doit inclure les colonnes suivantes :

  • url — L’URL de la page
  • title — Le titre de la page
  • inrank — Le score PageRank interne de la page
numLinks number default: 5

Le nombre de recommandations de liens a retourner. Accepte des valeurs entre 1 et 20.

semanticWeight number default: 0.8

Poids accorde a la pertinence semantique dans l’algorithme de scoring (entre 0 et 1, pas de 0.1). Des valeurs elevees favorisent la similarite de contenu entre la requete et les titres des pages.

pageRankWeight number default: 0.4

Poids accorde a l’importance de la page (PageRank) dans l’algorithme de scoring (entre 0 et 1, pas de 0.1). Des valeurs elevees favorisent les pages a forte autorite.

Tip

Les deux poids sont independants et n’ont pas besoin de totaliser 1. Une configuration comme semanticWeight: 0.8 et pageRankWeight: 0.4 signifie que la pertinence compte environ deux fois plus que l’autorite.

Sortie

recommended_links string

Une liste de liens internes recommandes avec leurs URL et scores combines, classes du plus au moins pertinent.

[
  {
    "url": "https://example.com/blog/seo-guide",
    "title": "Complete SEO Guide",
    "relevance_score": 0.92,
    "inrank": 8.5
  },
  {
    "url": "https://example.com/resources/link-building",
    "title": "Link Building Best Practices",
    "relevance_score": 0.87,
    "inrank": 7.2
  }
]

Exemples

Exemple 1 : Maillage interne d’un article SEO

Vous redigez un article sur “audit SEO technique” et souhaitez trouver les meilleures pages de votre site vers lesquelles pointer.

Requete en entree :

technical SEO audit crawl errors

Configuration :

  • numLinks : 5
  • semanticWeight : 0.8
  • pageRankWeight : 0.4

Sortie :

[
  {
    "url": "https://example.com/guides/technical-seo-checklist",
    "title": "Technical SEO Checklist for 2025",
    "relevance_score": 0.95,
    "inrank": 7.8
  },
  {
    "url": "https://example.com/blog/crawl-budget-optimization",
    "title": "How to Optimize Your Crawl Budget",
    "relevance_score": 0.89,
    "inrank": 6.3
  },
  {
    "url": "https://example.com/tools/site-audit",
    "title": "Free Site Audit Tool",
    "relevance_score": 0.84,
    "inrank": 9.1
  }
]

Exemple 2 : Construction d’un hub de contenu

Vous construisez un hub de contenu autour du “content marketing” et souhaitez identifier toutes les pages qui devraient etre interconnectees.

Requete en entree :

content marketing strategy planning

Configuration :

  • numLinks : 10
  • semanticWeight : 0.6
  • pageRankWeight : 0.6

Workflow :

graph LR
    A[Text Input] --> B[Internal Link Recommendation]
    B --> C[LLM]
    C --> D[Docs Writer]

Dans ce workflow, le LLM recoit les liens recommandes et genere un snippet HTML avec des balises anchor pretes a inserer dans votre contenu. Les poids equilibres garantissent que le hub pointe vers des pages a la fois pertinentes et autoritaires.

Bonnes pratiques

Tip

Equilibrez soigneusement vos poids. Pour du contenu editorial, favorisez la pertinence semantique (semanticWeight: 0.8, pageRankWeight: 0.3). Pour des pages piliers ou des hubs de navigation, augmentez le poids PageRank (semanticWeight: 0.5, pageRankWeight: 0.7) afin de pointer vers vos pages les plus autoritaires.

Tip

Investissez dans la qualite de vos donnees CSV. Les recommandations ne valent que ce que vaut votre dataset. Assurez-vous que les titres de pages sont descriptifs et que les scores PageRank sont a jour. Re-exportez votre CSV regulierement au fur et a mesure que votre site evolue.

Problemes courants

Le node retourne des resultats vides

Cause : La requete ne correspond a aucun titre de page dans votre dataset, ou le fichier CSV est mal forme.

Solution : Verifiez que votre fichier CSV contient les colonnes requises (url, title, inrank) avec les bons en-tetes. Essayez des mots-cles plus larges dans la requete. Verifiez que le CSV n’est pas vide ou corrompu.

Les recommandations ont une faible pertinence

Cause : Les titres de pages dans votre CSV sont trop generiques ou ne contiennent pas assez de mots-cles pour le matching semantique.

Solution : Assurez-vous que votre CSV contient des titres de pages descriptifs plutot que generiques (par exemple, “Guide complet du SEO technique” au lieu de “Page 1”). Vous pouvez egalement augmenter semanticWeight et diminuer pageRankWeight pour privilegier la similarite de contenu.

Nodes complementaires