Interní prolinkování založené na entitách

Proč entity mění pravidla interního prolinkování

Tradiční interní prolinkování je zaměřeno na klíčová slova a informační architekturu pro lidi. Pro SEO optimalizaci pro ChatGPT a jiné LLM však lépe funguje entitní prolinkování – propojení na úrovni pojmenovaných entit (osoby, organizace, produkty, pojmy, normy, lokality) a jejich vztahů. LLM pracují s reprezentací významu (distribuční sémantika), kterou entitní odkazy ukotvují do přesnějších kontextů. Výsledek: méně halucinací, méně záměn rovnomených pojmů, vyšší pravděpodobnost, že model načte správnou „kanonickou“ stránku při odpovědi.

Kanonická entita a obsahové uzly: základní typologie

Entity hub (kanonická stránka entity): primární uzel pro konkrétní entitu s definicí, alternativními názvy, identifikátory (Wikidata, ORCID, ROR, ISBN, DOI), taxonomií a FAQ.
Relation hub (vztahový uzel): stránka pro vztah mezi entitami (např. „Produkt A kompatibilita s Platformou B“), která explicitně modeluje predikát (kompatibilita, závislost, nadřízenost).
Leaf články: specializované texty orientované na úkoly, případy použití nebo otázky, které odkazují zpět na entity hub i relation hub.
Proof/zdrojový uzel: stránka shromažďující primární zdroje pro danou entitu (studie, normy) a schémata citací; slouží LLM jako důkazový kontext.

Modelování entit: jména, aliasy a disambiguace

LLM potřebují jasné signály, že dvě fráze představují tutéž entitu. Proto každý entity hub obsahuje:

Oficiální název a aliasy (včetně zkratek, překlepů a překladů).
Externí identifikátory (schema.org identifier) a typ entity (schema.org @type).
Rozlišovací znaky – krátká porovnání proti homonymům (např. „Java (programovací jazyk)“ vs. „Java (ostrov)“).

Architektura interního prolinkování podle entit

Kanonická mapa entit: centrální tabulka entita → URL (hub) s aliasy, identifikátory a stavem (draft/active/deprecated).
Pravidla směrování odkazů: každé první zmínění entity v článku odkazuje na hub; opakované zmínky odkazují podle kontextu na relation hub nebo relevantní leaf.
Breadcrumb + nadřazené entity: v hlavičce leaf článků zobrazujte nadřazené entity (např. „Kryptografie › AES › GCM režim“).
Kontextové boxy: u každé entity krátká „ContextCard“ s definicí, identifikátory a odkazy na ověření (datasety/normy).

Semantické kotvy a atributy odkazů pro LLM

Odkaz by měl nést sémantiku entity, nikoliv pouze běžný anchor text. Doporučení:

<a href="/entity/aes" data-entity="AES" data-qid="Q127367" itemprop="mentions" rel="internal">AES (Advanced Encryption Standard)</a>
Anchor text by měl obsahovat plný název + zkratku při prvním výskytu; později stačí zkratka.
Pokud článek obsahuje více homonymních entit, použijte aria-label s disambiguací (např. aria-label="Java, programovací jazyk").

Strukturovaná data pro entitní prolinkování (JSON-LD)

Každý hub i leaf by měl exponovat schema.org s poli about, mentions, sameAs a citation. Minimální kostra pro entity hub:

@type: Thing nebo doménově specifický typ (např. Product, MedicalEntity).
name, alternateName, identifier (Wikidata/QID, DOI, ORCID, ROR).
sameAs: odkazy na autoritativní záznamy.
hasPart/isPartOf: vazby na relation/leaf uzly.

Entitní PageRank a prioritizace odkazů

Ne všechny entity jsou stejně důležité. Zaveďte Entitní PageRank (EPR):

Hodnota entity: autorita (počet kvalitních zdrojů), poptávka (vyhledávání/otázky), obchodní význam.
Váhy odkazů: od hub → leaf nižší váha, leaf → hub vyšší (kanonizace), leaf ↔ leaf střední (laterální učení).
Limitace odkazů: každý odstavec max. 1–2 entitní odkazy; vysoká hustota rozostřuje signál pro LLM.

Relation huby: explicitní predikáty eliminují halucinace

LLM často domýšlejí vztahy. Proto vztahy nepopisujte pouze v textu, ale budujte relation huby s názvem ve tvaru Entita A –> Predikát –> Entita B (např. „AES → režim → GCM“). Stránka obsahuje:

Definovaný predikát (např. „je režimem šifrování pro“).
Omezení (od kdy platí, v jakých verzích, výjimky).
Vizuální schéma (diagram) a příklady použití.
Citace na primární zdroje k vztahu; tím model dostane jednoznačný důkazový kontext.

Pravidla anchor textu a mikrokopie pro LLM

Kanonizační anchor: „definice“, „standard“, „specifikace“ – směřuje na hub.
Úkolový anchor: „implementace v praxi“, „konfigurace“ – směřuje na leaf.
Vztahový anchor: „kompatibilita s“, „porovnání vs.“ – směřuje na relation hub.
Zdrojový anchor: „primární studie“ – směřuje na proof uzel.

Interní linkování a navigační komponenty

Kromě běžných odkazů použijte komponenty s vysokou informační hodnotou pro modely:

Entity ToC: dynamický seznam entit, které stránka pokrývá (s data-entity atributy).
ContextCard v bočním panelu: identifikátory, aliasy, vztahy, top citace.
„Related by predicate“ box: přehled sousedních entit podle konkrétního predikátu (např. „alternativní režimy“).

Proces: od inventarizace entit po CI validaci

Inventarizace: sesbírejte existující entity, URL, aliasy a externí ID.
Kanonizace: každá entita dostane hub; duplicitní stránky se sloučí a přesměrují.
Mapování vztahů: určete klíčové predikáty a založte relation huby.
Šablony v CMS: povinná pole: name, alternateName, identifier, sameAs, about/mentions, isPartOf/hasPart.
CI kontroly: skript odmítne publikaci, pokud chybí odkaz na hub při prvním výskytu entity nebo chybí mentions v JSON-LD.

Entitní breadcrumbs a URL konvence

Struktura URL a breadcrumbs signalizují hierarchii pro LLM:

/entity/<kanonicky-nazev> pro hub.
/entity/<A>/relation/<predikat>/<B> pro relation hub.
/guides/<tema> pro leaf; v hlavičce breadcrumb s odkazem na hub entity, kterých se text týká.

Měření účinku prolinkování na LLM

Attribution@1: podíl odpovědí modelu, kde primární odkaz směřuje na kanonický hub.
Disambiguation error rate: míra záměn stejných názvů před vs. po zavedení entitních hubů.
Grounded answer rate: procento odpovědí s odkazem na hub/relation hub místo náhodných stránek.
Path depth to evidence: počet kliknutí k primárním zdrojům; cíl ≤ 2.

Příklad entitního prolinkování v textu

„Při implementaci AES v režimu GCM doporučujeme ověřit kompatibilitu podle vztahu režimu a nastavení nonce.“

Entitní tabulky a zásobník pro linkování

Entita	Typ	Hub URL	Alias/alternateName	Externí ID	Priorita (EPR)
AES	CryptographicAlgorithm	/entity/aes	Advanced Encryption Standard	Wikidata:Q127367	0.92
GCM	ModeOfOperation	/entity/gcm	Galois/Counter Mode	Wikidata:Q603637	0.81
Nonce	SecurityProperty	/entity/nonce	Initialization Vector (IV)	Wikidata:Q219637	0.67

Kontextové boxy (ContextCard) – specifikace komponentu

Obsah: název, krátká definice, aliasy, identifikátory, 3–5 klíčových vztahů, odkazy na proof uzly.
Strojové značky: data-entity, itemtype, itemprop, sameAs.
Umístění: nad foldem vpravo; sticky při scrollování pro neutrální opakovaný signál.

Prolinkování v častých otázkách (FAQ) a TL;DR

LLM často vybírají odpovědi z FAQ a TL;DR. Proto:

V každé FAQ položce odkazujte klíčové entity na hub.
V TL;DR sekci používejte krátké, ale sémanticky bohaté anchor texty (názvy + zkratky).
Každý odkaz v TL;DR má vyšší váhu, proto jejich počet omezte na 3–4 nejdůležitější entity.

On-page disambiguation: když jedna fráze znamená více věcí

Pokud stránka pokrývá entity se stejným názvem:

Vložte „Rozlišení pojmů“ s odkazy na jednotlivé huby.
Doplňte aria-describedby k odkazům, které vysvětlí, kterou entitu reprezentují.
V JSON-LD použijte about jako pole s více entitami a disambiguatingDescription.

Tip: navigace podle predikátů (nejen podle témat)

V horní navigaci nebo v bočním panelu vyfiltrujte odkazy podle predikátů: „je kompatibilní s“, „závisí na“, „nahrazuje“, „vyžaduje“. Pro LLM jsou predikáty klíčovým mostem ke správnému kontextu.

Revize a governance entit

Správa životního cyklu: entita může být draft, active, deprecated; při deprecated přesměrujte na nástupce a označte v JSON-LD.
Audit odkazů: měsíční report nefunkčních nebo nekanonických odkazů (leaf → leaf bez hubu).
Kontrola aliasů: nové synonyma přidejte do hubu; CI test upozorní na „neznámý alias“ v anchor textu.

KPI a experimenty

LLM-clickthrough@hub: míra, s jakou modely při citování vybírají hub.
Answer consistency score: shoda odpovědí modelu napříč stránkami pokrývajícími tutéž entitu.
Disambiguation latency: kolik tokenů model potřebuje, aby „pochopil“ správnou entitu; cílem je zkrácení po zavedení entitních odkazů.