Similarité cosinus
L'angle entre deux vecteurs sémantiques. Score de 0.95+ = même signification. Mécanique du Grounding Score.
Lire →WikiGEO & IA
Embedding
Représentation vectorielle d'un texte. Base technique de la recherche sémantique et du Grounding Score.
Définition
Représentation vectorielle d'un texte dans un espace mathématique à haute dimension. Deux phrases sémantiquement proches auront des embeddings proches. Base technique de la recherche sémantique et du classement par similarité cosinus.
Un texte devient un tableau de coordonnées
Un embedding transforme un texte en tableau de coordonnées dans un espace à haute dimension. Deux textes sémantiquement proches produisent des vecteurs proches : c'est la base de la recherche sémantique, du classement par similarité cosinus et du Grounding Score.
Google et les IA comparent des vecteurs, pas des mots
DPR encode requêtes et passages dans le même espace et mesure leur proximité. Muvera va plus loin : plusieurs vecteurs par document, un par section significative. Conséquence directe : chaque H2 de votre page est potentiellement un vecteur évalué séparément, et s'optimise comme tel.
Construire le vecteur de la page avec 4 catégories d'entités
On ne vise plus une densité de mots-clés : on construit le nuage d'entités qui rapproche le vecteur de la page de celui de l'intention. Notre grille de travail compte quatre catégories : les entités techniques du champ lexical (le socle de pertinence), les preuves chiffrées sourcées, les formats multimodaux attendus par l'intention, et les éléments de divergence que moins de 10 % des concurrents portent. Les deux premières gardent la page dans la zone de pertinence, la dernière l'éloigne du corpus moyen : l'optimisation consiste à tenir les deux à la fois.
Concepts liés à Embedding
Grounding Score
Score de similarité cosinus entre une requête et un passage de contenu : la mesure clé pour passer dans les AI Overviews.
Lire →DPR (Dense Passage Retrieval)
Architecture neuronale qui retrouve les passages les plus pertinents avant la génération LLM. Brique des systèmes RAG.
Lire →RAG (Retrieval-Augmented Generation)
Architecture qui combine recherche de documents et génération LLM. La base technique de Perplexity et des AI Overviews.
Lire →Muvera
Algorithme Google qui combine recherche vectorielle et structurelle. Remplace progressivement BM25 dans le scoring des passages.
Lire →Nos articles sur le sujet
Parlons de votre projet.
Je vous prépare un pré-audit de votre site et l'on en discute durant notre visio.