Le maillage interne classique relie vos pages à l’aide d’ancres
contenant un mot-clé. Cette technique fonctionne encore pour le SEO
traditionnel, mais elle montre ses limites face aux modèles de langage
(LLM) utilisés par ChatGPT, Perplexity ou l’AI Overview de Google.
Ces IA ne s’appuient plus uniquement sur des chaînes de caractères ;
elles évaluent la parenté sémantique entre vecteurs (embeddings).
Pour maximiser la visibilité dans ce nouvel environnement, il faut passer
à un maillage interne vectoriel, c’est-à-dire relier les
pages les plus proches en espace sémantique. Ce guide explique,
étape par étape, comment identifier ces proximités, bâtir des
clusters thématiques pro-GEO et mesurer leur impact.
Points clés à retenir
- Maillage interne vectoriel : relie des pages dont les
embeddings sont très proches, pas seulement celles partageant
le même mot-clé. - Cluster sémantique : groupe de pages reliées entre
elles et à une page « pilier » ; chaque page couvre un sous-angle
unique mais proche. - Pourquoi c’est pro-GEO ? Les LLM citent plus
volontiers plusieurs passages d’un même domaine lorsqu’ils couvrent
toutes les facettes d’un sujet avec cohérence sémantique. - Outils clés : Sentence-Transformers, FAISS, Cosine
Similarity, graphes Neo4j, plugins WordPress (Link Whisper,
Internal Link Juicer) + export embeddings. - Mesure : reference-rate, depth score, edge density,
temps moyen sur cluster.
1. Notions fondamentales
1.1 Tokens, embeddings et vecteurs
Un embedding est un tableau de nombres (par exemple, 768 dimensions) représentant le sens d’un texte court. Deux textes sémantiquement proches auront des vecteurs proches (distance cosine faible).
1.2 Passage vs document
Les LLM analysent aussi bien un paragraphe ( ≈ 100 mots ) qu’une page entière. Le maillage vectoriel cherche donc la proximité passage vs passage, puis relie ou fusionne au niveau document.
1.3 Graphes orientés
Votre site peut être vu comme un graphe : chaque page est un nœud ; chaque lien interne, une arête. Le maillage vectoriel vise à créer des « sous-graphes denses » où les nœuds ont une forte similarité sémantique.
2. Limites des liens basés uniquement sur mot-clé
- Poly-sémies : « basse » (instrument vs montagne) :
un lien mot-clé peut créer un faux positif. - Sur-optimisation : ancres répétées à l’identique
déclenchent des filtres spam. - Absence de granularité : Google BERT ou Gemini
comprennent le contexte ; des liens mot-clé peuvent ignorer la nuance
d’un passage.
3. Construire les embeddings de votre contenu
Étape 1 : exporter le texte
Utilisez un crawler (Screaming Frog, Sitebulb) pour extraire chaque
paragraphe significatif (balises <p>, <li>,
<th>, etc.) et l’URL source.
Étape 2 : générer les embeddings
Outil accessible : sentence-transformers/all-mpnet-base-v2.
Chaque passage est converti en vecteur 768-d.
pip install sentence-transformers → script de 10 lignes.
Étape 3 : normaliser et stocker
Stockez les vecteurs dans une base FAISS ou un CSV ; notez l’URL, la position dans la page (H1, H2, P#3) et la taille. Une normalisation (L2) facilite la recherche de voisins.
4. Détecter les proximités sémantiques
4.1 Seuil de similarité
Distance cosine ≤ 0,15 (ou score ≥ 0,85) est un bon point de départ. Ajustez : un seuil trop bas crée un cluster géant ; trop haut, trop fragmenté.
4.2 Algorithme de clustering
- HDBSCAN : détecte des groupes de densité élevée sans
fixer k. - Modularity optimisation : si vous traitez le
maillage comme un graphe, vous pouvez appliquer Louvain.
4.3 Exemple concret
Articles : « GEO WordPress », « Schema FAQ », « PAA génératif » se regroupent naturellement. Un paragraphe sur « robots.txt pour OAI-Bot » peut rejoindre le cluster si le passage traite aussi de WordPress et de l’IA.
5. Créer votre maillage interne vectoriel
5.1 Règle « 1 pilier + 6 sous-pages »
Choisissez la page la plus complète comme pilier. Elle recevra des liens de toutes les sous-pages. Les sous-pages se lient entre elles si leur score vectoriel ≤ 0,15.
5.2 Choix des ancres
- Utilisez la phrase la plus proche du contexte du
passage cible. - Variez la syntaxe : pas 10 ancres identiques.
- Privilégiez les questions courtes pour les ancres
(60-70 caractères).
5.3 Pagination et profondeur
Maintenez une profondeur < 3 clics. Les pages pilier devraient être accessibles depuis le menu principal ou le footer.
6. Ce qui rend le cluster « pro-GEO »
- Résumé TL;DR en ouverture de chaque page.
- FAQ Schema : 3–5 Q/R ciblées.
- Balisage
BreadcrumbListpour indiquer la
hiérarchie au robot. - Extraits de données exclusives (tableau, chiffre,
méthode). - Date de mise à jour visible +
dateModified. - Liens sortants vers 2-3 sources d’autorité.
7. Mesurer l’impact : KPI spécifiques
| KPI | Formule simplifiée | Seuil cible |
|---|---|---|
| Reference-rate | Liens domaine / total liens IA | > 20 % |
| Edge Density | Liaisons internes / nœuds² | > 0,15 |
| Freshness score | Pages < 90 jours / total | > 60 % |
| Temps moyen sur cluster | Total temps / sessions cluster | > +15 % vs avant cluster |
Suivez ces métriques chaque mois. Une montée du reference-rate accompagnée d’une edge density élevée indique que votre maillage vectoriel « fonctionne ».
8. Outils & workflow recommandé
- Extraction : Screaming Frog + export HTML texte.
- Embeddings : Python + Sentence-Transformers.
- Base vectorielle : FAISS pour la recherche rapide.
- Clustering : HDBSCAN ou Louvain (graph).
- Visualisation : Gephi ou Neo4j Bloom.
- Implémentation liens : Link Whisper (WP) ou
recherche-remplace batch.
9. Exemple complet : site « Recettes végétaliennes »
- Extraction : 500 pages, 8 700 paragraphes.
- Embeddings : génération 768-d, normalisation L2 (≈ 12 Mo).
- Clustering : HDBSCAN → 12 clusters (densité min = 10).
- Pilier choisi : « Guide protéines végétales » (score centralité max).
- Création 8 liens internes vectoriels vers pages « lentilles »,
« pois chiches », « tofu », etc. - Mise à jour TL;DR et FAQ sur chaque sous-page.
- Résultat 60 jours : reference-rate Perplexity 11 → 24 %, temps moyen
cluster +19 %, conversions e-book +32 %.
10. Erreurs fréquentes et limites
- Clusters trop larges : seuil de similarité trop bas,
graphes peu denses → effet dilué. - Sur-liage automatique : 200 liens en pied de page
ruinent la lisibilité. - Contenu dupliqué : copier-coller texte ≠ pertinence
vectorielle identique (pénalité Trust). - Oubli des liens sortants : l’IA préfère un cluster
qui cite aussi des références externes. - Ignorer la mise à jour : cluster obsolète =
fraîcheur 0 = perte de priorité.
Conclusion
Le maillage interne vectoriel transforme votre site en graphe sémantique lisible par les IA. En reliant des passages sémantiquement proches, vous créez des clusters compacts qui répondent aux multiples facettes d’un même sujet. Les moteurs génératifs apprécient cette cohérence et citent plus volontiers plusieurs pages issues d’un même cluster. Résultat : votre visibilité GEO grimpe tout en améliorant l’expérience utilisateur. Passez à l’action : extrayez vos passages, générez les embeddings, détectez les proximités et ajustez vos liens. Vous verrez votre part de voix IA augmenter dès les premières semaines.
FAQ – Réviser l’essentiel
Dois-je supprimer mes anciens liens internes ?
Pas forcément. Conservez les liens utiles pour la navigation, mais remplacez les ancres génériques par des ancres descriptives et ajoutez des liens vectoriels pertinents.
Existe-t-il un plugin WordPress « tout-en-un » pour le GEO ?
Pas encore. Des plugins comme Link Whisper aident au maillage interne, mais la génération d’embeddings se fait encore mieux via un script Python que vous exécutez ponctuellement.
