Sémantické Entity-Based SEO vs. Tradičný Keyword Stuffing

Tento odborný dokument poskytuje komplexnú architektonickú a teoretickú analýzu prechodu od lexikálneho vyhľadávania (vyhľadávanie založené na kľúčových slovách a frekvencii TF-IDF) k sémantickému, entitne orientovanému vyhľadávaniu (Entity-Based Search & Knowledge Graph Engineering).

Analyzujeme matematické a algoritmické princípy, prostredníctvom ktorých vyhľadávacie mechanizmy (ako Google Hummingbird, RankBrain, MUM, Gemini) a veľké jazykové modely (LLMs) spracovávajú text ako sieť prepojených entít a konceptov. Dokument podrobne rozoberá štruktúru Knowledge Graphu, vektorovú reprezentáciu entít (Entity Embeddings), rolu štruktúrovaných dát (Schema.org / JSON-LD), koncept Topical Authority a metodiku výpočtu Informačného zisku (Information Gain).

1. Paradigmatický posun od syntaktickej zhody k sémantickému porozumeniu

Počas dvoch desaťročí bola optimalizácia pre vyhľadávače (SEO) dominovaná paradigmou lexikálnej zhody. Základný predpoklad tradičného SEO spočíval v hypotéze, že algoritmus vyhľadávača je v podstate pokročilý indexovací stroj, ktorý páruje sekvenciu znakov (kľúčové slovo) zadanú používateľom so sekvenciou znakov uloženou v reverznom indexe (Inverted Index) dokumentov. Tento prístup sa opieral o matematické modely ako Vector Space Model (Salton et al., 1975) a frekvenčné váženie kľúčových slov prostredníctvom algorytmov TF-IDF (Term Frequency-Inverse Document Frequency) či BM25 (Okapi BM25; Robertson & Zaragoza, 2009).

Výsledkom tohto technického obmedzenia bola éra tzv. „Keyword Stuffingu“ – praktiky, pri ktorej tvorcovia obsahu umelo zvyšovali hustotu kľúčových slov v texte, manipulovali HTML značky Title, H1–H6 a Meta Description bez ohľadu na sémantickú kohéziu a hĺbku výpovednej hodnoty. Vyhľadávač v tomto období nerozumel čo daný pojem znamená; rozumel iba tomu, že reťazec slov „A“ sa vyskytuje v dokumente „B“ s frekvenciou „X“.

S nástupom pokročilých architektúr hlbokého učenia (Deep Learning), spracovania prirodzeného jazyka (NLP) a predovšetkým Transformer architektúry (Vaswani et al., 2017) sa vyhľadávacie systémy transformovali. Dnešné algoritmy Google a LLM vyhľadávače (ako ChatGPT Search, Perplexity, Google AI Overviews) už nepristupujú k textu ako k množine izolovaných reťazcov slov, ale ako k multidimenzionálnej sieti reálnych konceptov, objektov a vzťahov medzi nimi. V roku 2012 vyhlásil Amit Singhal, vtedajší viceprezident Google pre vyhľadávanie, historickú tézu: „Things, not strings“ (Veci, nie reťazce znakov). Tento moment odštartoval éru sémantického vyhľadávania a vývoj Google Knowledge Graphu (Singhal, 2012).

2. Definícia a teoretické základy entít v oblasti informatiky a SEO

Aby sme pochopili sémantický Entity-Based SEO, musíme najprv presne definovať, čo tvorí „entitu“ v kontexte počítačovej lingvistiky a znalostného inžinierstva.

Podľa štandardov W3C (World Wide Web Consortium) a teórie ontológií je entita definovaná ako jedinečne identifikovateľný objekt, koncept, osoba, miesto, udalosť, organizácia alebo abstrakcia, ktorá existuje nezávisle od jazyka, zápisu alebo reťazca znakov, ktorý ju popisuje. Entita nie je slovo. Slovo „Apple“ je reťazec znakov (string), ktorý môže reprezentovať entitu nadnárodnej technologickej spoločnosti (Apple Inc. – Q312 v databáze Wikidata), entitu botanického plodu (Jablko – Q89), alebo entitu historického hudobného vydavateľstva (Apple Records – Q213710).

2.1 Anatomická štruktúra entity

Každá entita v znalostnom systéme pozostáva z troch základných zložiek:

• Jedinečný identifikátor (URI / Entity ID): Neambivalentný kľúč (napr. [https://www.wikidata.org/wiki/Q2283](https://www.wikidata.org/wiki/Q2283) pre entitu Microsoft), ktorý slúži ako pevný bod v databáze bez ohľadu na to, v akom jazyku sa o nej píše.
• Atribúty (Properties / Predicates): Charakteristiky, ktoré entitu opisujú (napr. dátum založenia, zakladatelia, sídlo, materská spoločnosť).
• Vzťahy (Edges / Relations): Sémantické prepojenia na iné entity v znalostnej sieti.

V tradičnom SEO sa stránka optimalizovala pre výraz „najlepšia káva v Bratislave“. V sémantickom SEO je táto požiadavka vnímaná ako komplexný trojčlenný vzťah (Triple): [Kaviareň] — (má lokalitu) —> [Bratislava], pričom pojem „najlepšia“ spúšťa algoritmické vyhodnotenie používateľských recenzií, entitných citácií a hodnotení autority v grafovom modeli.

3. Architektúra Knowledge Graphu a dátový model RDF Triples

Základnou technologickou infraštruktúrou sémantického vyhľadávania je Knowledge Graph (Znalostný graf). Znalostný graf je špeciálny typ grafovej databázy, v ktorej uzly (Nodes) reprezentujú entity a hrany (Edges) reprezentujú vzťahy medzi nimi.

3.1 Model RDF (Resource Description Framework) a výroková logika

Ukladanie a reprezentácia znalostí v Knowledge Graphe sa riadi formálnym štandardom W3C zvaným RDF. V RDF modeli sa akákoľvek informácia zapisuje vo forme takzvaného sémantického trojčlena (RDF Triple):

Subject (Subjekt) — Predicate (Predikát / Sloveso) — Object (Objekt)

Príklady sémantických trojčlenov v Knowledge Graphe:

[Albert Einstein] (Q937) — [born_in] (P19) —> [Ulm] (Q3012)

[Albert Einstein] (Q937) — [field_of_work] (P101) —> [Teoretická fyzika] (Q4161)

[Teoretická fyzika] (Q4161) — [subclass_of] (P279) —> [Fyzika] (Q413)

Prostredníctvom tejto grafovej štruktúry dokáže vyhľadávač vykonávať sémantické vyvodzovanie (Inference). Ak systém vie, že Einstein sa narodil v Ulme a Ulm je mesto v Nemecku, dokáže bez toho, aby to bolo explicitne napísané v texte, vyvodiť, že Einstein sa narodil v Nemecku. Tradičný vyhľadávač založený na vyhľadávaní slov by pri dopyte „Nemecký teoretický fyzik narodený v Ulme“ nedokázal prepojiť dokumenty, ak by neobsahovali presnú kombináciu týchto kľúčových slov. Knowledge Graph však túto odpoveď vypočíta okamžite prechodom cez hranu grafu (Graph Traversal).

4. Vektorové priestory, Word Embeddings a Transformer architektúra

Akonáhle chápeme, ako sú entity prepojené v grafe, musíme si vysvetliť, ako vyhľadávače a veľké jazykové modely (LLMs) spracovávajú prirodzený text v neštruktúrovanej podobe a prevádzajú ho na sémantické mapy.

4.1 Od Word2Vec po contextualized embeddings (BERT, MUM, Gemini)

Prielom v sémantickom spracovaní textu priniesol výskum Mikolova a kol. (2013) zo spoločnosti Google, ktorí predstavili model Word2Vec. Word2Vec transformoval slová do vysokodimenzionálneho vektorového priestoru (Vector Space), kde slová s podobným sémantickým významom ležia blízko seba.

Matematicky vyjadrené, každé slovo alebo entita je reprezentovaná vektorom reálnych čísel v € Rd (kde d je rozmernosť priestoru, napr. 768 alebo 1536 dimenzií). V tomto priestore nadobúdajú algebraické operácie s textom reálny sémantický význam:

(„Kráľ“) – („Muž“) + („Žena“) = („Kráľovná“)

Prvá generácia vektorových modelov však mala obmedzenie: jedno slovo malo vždy jeden statický vektor bez ohľadu na kontext. Prechod k architektúre Transformer (Vaswani et al., 2017) a následne k modelom BERT (Devlin et al., 2018), MUM (Nayak, 2021) a Gemini priniesol kontextuálne vektorové embeddings (Contextual Embeddings). Mechanizmus samo-pozornosti (Self-Attention) umožňuje modelu dynamicky upravovať vektorový zápis každej entity na základe celého okolitého kontextu vety a odseku.

Keď Google spracováva odborný článok o SEO, nevyhodnocuje len výskyt slova „linkbuilding“. Algoritmus analyzuje celú vektorovú blízkosť okolitého textu. Ak sa okolo výrazu „linkbuilding“ nachádzajú entity ako „Anchor Text“, „Search Console“, „PageRank“, „Canonical URL“ a „Disavow Tool“, vektorový profil stránky sa umiestni presne do klastra Autoritatívna SEO dokumentácia. Ak sa tam však nachádzajú výrazy ako „kúpiť lacné spätné odkazy“, „fórum spam“, „automatický generátor“, vektor stránky sa posunie do klastra Low-Quality / Webspam.

5. Mechanizmus fungovania Google Knowledge Graph a Named Entity Recognition (NER)

Akým spôsobom algoritmus vyhľadávača transformuje neštruktúrovaný HTML text vašej webovej stránky na štruktúrované entity v Knowledge Graphe?

Tento proces prebieha v troch hlavných fázach:

5.1 Rozpoznávanie pomenovaných entít (Named Entity Recognition – NER)

V prvej fáze algoritmy NLP (postavené na architektúrach ako Conditional Random Fields alebo Transformer Encoders) prechádzajú text a identifikujú potenciálne pomenované entity. Text sa segmentuje na tokeny a systém ich klasifikuje do kategórií ako PER (Osoba), ORG (Organizácia), LOC (Lokalita), PROD (Produkt), EVT (Udalosť) a pod.

5.2 Entitná dezambiguácia (Entity Disambiguation / Entity Resolution)

Jedným z najťažších problémov prirodzeného jazyka je mnohoznačnosť (Polysémia). Slovo „Jaguar“ môže byť zvieracia šelma, značka automobilu, alebo operačný systém Mac OS X Jaguar.

Proces dezambiguácie využíva kontextový vektor okolitých entít na výpočet pravdepodobnosti P(Ei\C), kde Ei je kandidátska entita a C je okolité kontextové okno. Ak sa v odseku nachádzajú slová ako „motor“, „spotreba“, „V8“, „podvozok“, pravdepodobnosť P (Jaguar_Cars C) sa blíži k 1,0. Na základe toho vyhľadávač presne priradí text k ID entity v znalostnej databáze.

5.3 Extrakcia vzťahov (Relation Extraction – RE)

Po identifikácii dvoch entít v texte (napr. Entita A: „Webstudio.ltd“ a Entita B: „Bratislava“) nastupuje model extrakcie vzťahov. Sledovaním syntaktického stromu vety (Dependency Parsing) a sémantických predikátov systém extrahuje novú hranu do grafu: [Webstudio.ltd] — (headquartered_in) —> [Bratislava].

6. Prečo tradičný Keyword Stuffing zlyháva: Matematika a algoritmická detekcia

Aby sme lepšie pochopili prevahu Entity-Based SEO, pozrime sa na technické príčiny, prečo tradičný Keyword Stuffing v modernom vyhľadávaní nielen nefunguje, ale aktívne škodí viditeľnosti webu.

6.1 Nenasýtenosť informáciami a TF-IDF anomálie

Tradičný Keyword Stuffing sa snažil „prekabátiť“ algoritmus zvyšovaním pomeru výskytu cieľového kľúčového slova voči celkovému počtu slov. V rovnici TF-IDF:

TF-IDF (t, d, D) =  TF (t, d) x IDF (t, D)

kde TF (t, d) je frekvencia termínu t v dokumente d a IDF (t, D) je inverzná frekvencia dokumentu v celom korpuse D, autor umelo navyšoval TF (t, d). Moderné vyhľadávacie systémy však používajú nelineárne nasýtenie frekvencie slov.

6.2 Absencia Information Gain (Informačného zisku)

Google získal významný patent na výpočet Information Gain Score (Konig et al., 2022 / Google LLC Patent US11354367B2). Tento systém hodnotí, či dokument prináša novú, doteraz nepublikovanú informáciu (nové entity, unikátne vzťahy, čerstvé dáta) v porovnaní s dokumentmi, ktoré už používateľ alebo vyhľadávač prečítal.

Text postavený na Keyword Stuffingu zvyčajne iba parafrázuje top 5 výsledkov vo vyhľadávači a dopĺňa ich opakovane o synonymá. Z pohľadu vektorového priestoru je Information Gain takého dokumentu voči už indexovanému korpusu nulový alebo záporný. Vyhľadávač vyhodnotí takúto stránku ako redundantný šum a v ére AI Overviews a LLM indexácie ju úplne odignoruje.

7. Topical Authority (Tematická autorita) a mapovanie entitného pokrytia

Základným stavebným kameňom Entity-Based SEO nie je optimalizácia jednej podstránky na jedno slovo, ale budovanie kompletného Topical Authority (Tematickej autority) nad celým entitným priestorom danej domény.

7.1 Čo je Topical Authority z pohľadu znalostného inžinierstva?

Topical Authority reprezentuje mieru, do akej daná webová lokalita pokrýva všetky relevantné uzly a hrany (sub-entity, atribúty, súvisiace koncepty), ktoré definujú danú nadradenú entitu (Parent Entity). Ak je cieľom vášho webu stať sa autoritou pre entitu „Optimalizácia pre vyhľadávače (SEO)“, váš web nemôže obsahovať iba jeden všeobecný článok o tom, čo je SEO. Musí vytvoriť ucelenú entitnú sieť prepojených dokumentov:

• Sémantická nadradená entita: Search Engine Optimization (Q180711)
• – Podradené entity (Sub-entities / Child Nodes):
• — Core Web Vitals (INP, LCP, CLS)
• — Crawl Budget & Rendering Architecture
• — Canonicalization & HTTP Status Codes (301, 404, 410)
• — Schema.org JSON-LD Structured Data
• — Log File Analysis & Search Engine Crawlers (Googlebot)
• — Generative Engine Optimization (GEO) & LLM Indexing

Ak na vašom webe chýbajú kľúčové podradené entity alebo ak sú vzťahy medzi nimi nejasné, vyhľadávač vyhodnotí vašu Topical Authority ako čiastočnú. Pri konkurenčnom boji s webom, ktorý má entitnú sieť spracovanú kompletne, vaša stránka prehrá – aj keby mala tisíce nekvalitných spätných odkazov.

7.2 Silo architektúra a Topic Clusters

V praxi sa entitné pokrytie realizuje prostredníctvom architektúry Pillar-Cluster (Pylónové stránky a klastre). Pillar page pokrýva hlavnú entitu v jej celistvosti a poskytuje vysokoúrovňový prehľad. Sub-pages (Klastrové články) do hĺbky rozoberajú jednotlivé atribúty a podradené entity.

Kľúčovým prvkom tejto architektúry je interné prepojenie (Internal Linking). Odkazy medzi stránkami nesmú byť náhodné. Musia kopírovať sémantické vzťahy v Knowledge Graphe a používať entitne presné kotevné texty (Anchor Texts). Ak odkazujete z klastrového článku „INP optimalizácia“ na pillar stránku „Core Web Vitals“, kotevný text jednoznačne definuje vzťah: [INP] — (is_metric_of) —> [Core Web Vitals].

8. Úloha štruktúrovaných dát (Schema.org / JSON-LD) pri priamom sýtení AI modelov

Aj keď sú moderné NLP modely mimoriadne zdatné v rozpoznávaní entít z neštruktúrovaného HTML textu, spracovanie neštruktúrovaných dát vyžaduje obrovský výpočtový výkon (Compute Cost) a nesie so sebou riziko nepresnosti či chybnej dezambiguácie. Štruktúrované dáta v formáte Schema.org (zápis v JSON-LD) predstavujú priamy kanál, ktorým vývojár webu dodáva vyhľadávaču a LLM modelom čisté, jednoznačné RDF triple bez nutnosti nákladného parsing-u.

8.1 Prepojenie webových entít na externé databázy pomocou sameAs

Jedným z najmocnejších, no najmenej využivaných atribútov v Schema.org je vlastnosť sameAs. Atribút sameAs slúži na explicitné stotožnenie entity definovanej na vašom webe s entitou existujúcou v globálnych autoritatívnych znalostných databázach, ako sú Wikidata, Wikipedia alebo Google Knowledge Graph.

< script type=“application/ld+json“ >
{
„@context“: „https://schema.org“,
„@type“: „TechArticle“,
„headline“: „Sémantický Entity-Based SEO vs. Tradičný Keyword Stuffing“,
„author“: {
„@type“: „Organization“,
„name“: „Webstudio.ltd“,
„url“: „https://webstudio.ltd“,
„sameAs“: [
„https://www.wikidata.org/wiki/Q…“,
„https://www.facebook.com/webstudio.ltd“
]
},
„about“: [
{
„@type“: „Thing“,
„name“: „Search Engine Optimization“,
„sameAs“: „https://en.wikipedia.org/wiki/Search_engine_optimization“
},
{
„@type“: „Thing“,
„name“: „Knowledge Graph“,
„sameAs“: „https://en.wikipedia.org/wiki/Knowledge_Graph“
}
]
}
< /script >

Pridaním vlastností about a mentions s odkazmi na Wikipedia/Wikidata URI dávate vyhľadávaču 100 % záruku o tom, aké entity váš článok rozoberá. Tým eliminujete akúkoľvek pravdepodobnosť, že vyhľadávač nesprávne pochopí zámer alebo obsah dokumentu.

9. RAG (Retrieval-Augmented Generation) a úloha entít v ére AI Vyhľadávania

V súčasnej ére AI vyhľadávania (Google AI Overviews, Perplexity, SearchGPT) sa mení samotná architektúra doručovania odpovedí. Generatívne modely neodpovedajú len na základe svojich statických parametrických znalostí (ktoré trpia halucináciami), ale využívajú systém Retrieval-Augmented Generation (RAG).

• • • Spracovanie dopytu (Query Expansion & Entity Mapping): Keď používateľ položí komplexnú otázku (napr. „Ako vyriešiť pomalú odozvu WooCommerce pri vysokom počte produktov v databáze?“), AI model najprv analyzuje dopyt a vyjme z neho kľúčové entity: [WooCommerce], [Database Performance], [TTFB / INP], [wp_postmeta table].
    • Sémantické vyhľadávanie vo vektorovej databáze (Vector Search / Dense Retrieval): Namiesto hľadania presnej frázy vykoná RAG vyhľadávanie v indexe zaindexovaných webov pomocou výpočtu kosínusovej podobnosti (Cosine Similarity) medzi vektorom dopytu A a vektorom dokumentu B.
    • Reranking na základe entitnej zhody a dôveryhodnosti: Vyhľadávač vyfiltruje top N dokumentov, ktoré majú najvyššiu hustotu prepojených entít a zároveň vysoké skóre E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness).
    • Syntéza odpovede a citácie: LLM vygeneruje finálny text a vloží doň citácie (odkazy) na zdroje, z ktorých čerpal jednotlivé entitné fakty.

Ak váš web nepoužíva entitne bohatú štruktúru textu, váš obsah sa pri vektorovom vyhľadávaní (Dense Retrieval) umiestni mimo relevančného okna RAG systému. Výsledkom je, že vás AI model vo svojej odpovedi nikdy necituje, čo vedie k totálnej strate organickej viditeľnosti v AI Overviews.

10. Metodická príručka: Ako transformovať obsah z Keyword SEO na Entity-Based SEO

Prechod na entitnú optimalizáciu vyžaduje úplnú zmenu pracovného postupu (Workflow) pri tvorbe a audite obsahu. Tu sú kľúčové kroky pre praktickú implementáciu:

Krok 1: Výskum entít namiesto výskumu kľúčových slov (Entity Research)

• Namiesto tradičných nástrojov na objem vyhľadávania slov začnite analýzu mapovaním entitného priestoru.
• Identifikujte hlavnú entitu témy na Wikidata.org alebo prostredníctvom Google Knowledge Graph Search API.
• Prostredníctvom nástrojov ako Inlinks, TextRazor, Diffbot alebo rozhraní Cloud Natural Language API analyzujte obsah konkurencie a zistite, aké sub-entity a vzťahy obsahujú ich najúspešnejšie články.
• Zostavte entitnú maticu (Entity Matrix): Množinu povinných entít (Must-have Entities), bez ktorých dokument nemôže dosiahnuť kompletnosť.

Krok 2: Návrh sémantickej štruktúry článku (Co-occurrence Architecture)

Štruktúrujte nadpisy H2, H3 a H4 tak, aby prirodzene odpovedali entitným reláciám. Namiesto nadpisu „Prečo je SEO dôležité“ použite nadpisy, ktoré spájajú entity: „Vplyv Core Web Vitals na indexačnú architektúru Googlebotu“. Text pod nadpisom musí obsahovať co-occurrence (spolu-výskyt) súvisiacich pojmov a ich presných definícií.

Krok 3: Vyhodnotenie a eliminácia sémantického balastu (Fluff Reduction)

Odstráňte z textu vatu, prázdne marketingové frázy a neprirodzené opakované frázy kľúčových slov. Každý odsek musí prinášať entitný fakt alebo vysvetlenie vzťahu. AI modely a hodnotitelia Google (Quality Raters) klasifikujú texty s vysokým pomerom „slov bez faktov“ ako obsah s nízkou pridanou hodnotou (Low Information Density).

Krok 4: Implementácia hĺbkového JSON-LD markupu

Nezostávajte len pri základnej schéme Article. Používajte pokročilé typy ako TechArticle, SoftwareApplication, FAQPage, HowTo. Zabezpečte, aby každé dôležité tvrdenie alebo objekt malo svoj identifikátor a prepojenie na Wikipédiu / Wikidata pomocou sameAs, about a mentions.

Krok 5: Prepojenie do Topical Clusteru

Zabezpečte, aby novopublikovaný článok okamžite získal interné odkazy zo všetkých príbuzných článkov na vašej doméne, ktoré obsahujú danú entitu. Odkazujte pomocou sémantických, kontextuálnych anchor textov.

11. Záver a moja prax

Sémantické Entity-Based SEO nie je dočasným trendom ani jednou z mnohých taktík digitálneho marketingu; je to priamy odraz technologickej zrelosti AI a vyhľadávacích systémov. Vyhľadávače sa definitívne posunuli od naivného čítania znakov k chápaniu sveta prostredníctvom objektov, relácií a dátových štruktúr. Webové lokality, ktoré naďalej stavajú svoju stratégiu na umelej hustote kľúčových slov, opakovaní fráz a povrchnom obsahu, sa pre generatívne vyhľadávacie systémy stávajú postupne neviditeľnými.

Z našej dlhoročnej praxe pri vývoji webov a SEO architektúr však vieme, že preniesť túto komplexnú teóriu – od správy entít, cez generovanie JSON-LD štruktúrovaných dát, až po RAG optimalizáciu – do každodenného fungovania WordPressu býva pre väčšinu majiteľov webov aj vývojárov mimoriadne náročné a časovo prácne.

Práve preto sme všetku túto teóriu, algoritmy a pokročilú entitnú logiku integrovali priamo do nášho vlastného pluginu Webstudio SEO Pro. Vytvorili sme nástroj, ktorý väčšinu týchto technických procesov automatizuje a umožňuje vám modelovať váš web ako autoritatívny, entitne prepojený znalostný uzol bez toho, aby ste museli ručne písať stovky riadkov kódu.

Plugin Webstudio SEO Pro si môžete bezplatne stiahnuť a vyskúšať priamo na našej stránke:

https://webstudio.ltd/na-stiahnutie/

Ak dokážete svoj web vybaviť precíznou dátovou architektúrou, získate dominantné postavenie v organickom aj AI vyhľadávaní pre celé nadchádzajúce desaťročie.

Odborné zdroje a literatúra

• Singhal, A. (2012). Introducing the Knowledge Graph: things, not strings. Official Google Blog. Dostupné online: https://blog.google/products/search/introducing-knowledge-graph-things-not/
• Mikolov, T., Sutskever, I., Chen, K., Corrado, G. S., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. Advances in Neural Information Processing Systems (NIPS 2013), 26, 3111–3119.
• Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems (NeurIPS 2017), 30, 5998–6008.
• Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2018). BERT: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805.
• Konig, A. C., et al. (2022). Contextual information gain score for webpage content evaluation. United States Patent No. US11354367B2. Washington, DC: U.S. Patent and Trademark Office.
• Robertson, S., & Zaragoza, H. (2009). The probabilistic relevance framework: BM25 and beyond. Foundations and Trends in Information Retrieval, 3(4), 333–389.
• W3C Semantic Web Standards. (2014). Resource Description Framework (RDF) 1.1 Concepts and Abstract Syntax. W3C Recommendation. Dostupné online: https://www.w3.org/TR/rdf11-concepts/
• Schema.org Community Group. (2024). Schema.org Vocabulary Documentation & JSON-LD Implementation Guidelines. Dostupné online: https://schema.org/docs/documents.html
• Lewis, P., Perez, E., Pineda, A., Petroni, F., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems (NeurIPS 2020), 33, 9459–9474.
• Nayak, P. (2021). MUM: A new AI milestone for understanding information. Google Keyword Blog. Dostupné online: https://blog.google/products/search/mum/ 

Karol Kameniczki

CEO / Webstudio LTD

20 rokov skúseností ako White Hat SEO konzultant so zameraním na technické SEO, lokálnu optimalizáciu, GEO a tvorbu webových stránok.

White Hat SEO, GEO, SERP, Schema.org, WordPress, WooCommerce