NLP (traitement du langage naturel)

Le NLP (Natural Language Processing, ou traitement automatique du langage naturel) regroupe les techniques qui permettent à une machine de manipuler du langage humain : découper un texte, en repérer la structure, identifier de quoi et de qui il parle, en déduire une intention. Ce n’est pas une technologie unique mais un champ de recherche ancien, passé des règles écrites à la main aux modèles statistiques, puis aux réseaux de neurones. Les grands modèles de langage (LLM) en sont aujourd’hui la branche la plus visible.

Pour le référencement, un tournant a été l’intégration du modèle BERT dans le moteur de Google en 2019 : le moteur comprend mieux le rôle des petits mots. Sur « crème solaire sans parfum », le mot « sans » renverse le sens de la requête, et un moteur qui l’ignore propose exactement l’inverse de ce que l’internaute cherche. C’est ce qui a rendu obsolète l’optimisation fondée sur la répétition d’un mot-clé.

Ce que le NLP fait d’une requête ou d’une page

• La tokenisation découpe le texte en unités exploitables.
• L’analyse syntaxique établit qui fait quoi dans la phrase, et donc le rôle de « pour », « sans » ou « près de ».
• La reconnaissance d’entités nommées repère marques, lieux, personnes et produits, puis les relie à des concepts connus.
• La désambiguïsation tranche entre les sens possibles : « avocat » dans une page de recettes ou dans une page sur le droit du travail.
• La représentation vectorielle, sous forme d’embeddings, rapproche les textes de même sens, même sans mot commun.

Exemple concret : une page catégorie cosmétique

Prenons une page « Crème hydratante peau sensible » d’un site e-commerce. Dans la Search Console, elle reçoit des impressions sur 340 requêtes différentes. Seules 40 contiennent l’expression exacte de son titre ; les autres sont des formulations comme « crème pour peau qui tiraille et rougit » ou « soin visage réactif sans alcool ». C’est le NLP qui fait le lien. En revanche, la page ne ressort sur aucune requête liée aux peaux atopiques, car son texte n’aborde jamais le sujet : le moteur comprend le sens, il n’invente pas ce que la page ne dit pas. Un paragraphe précis sur ces peaux, validé par un professionnel de santé, peut ouvrir ce nouveau champ de requêtes.

Les malentendus courants sur le NLP en SEO

• Croire qu’une densité de mot-clé idéale existe. Les moteurs évaluent le sens global, les entités et la réponse apportée, pas un pourcentage de répétitions.
• Remplir une page avec la liste de termes fournie par un outil de score sémantique. Ces outils signalent des manques utiles, mais un texte qui coche des cases sans rien expliquer ne répond à aucune intention.
• Prendre l’API Natural Language de Google Cloud pour l’algorithme du moteur. Elle montre comment un modèle de Google lit un texte, pas comment une page est classée.
• Négliger les qualificatifs (taille, usage, contrainte, public). Ce sont eux qui distinguent une requête de longue traîne d’une requête générique.

Ce qu’on regarde en priorité

Dans la Search Console, exportez les requêtes d’une page et classez-les par intention : elles révèlent comment le moteur interprète réellement votre contenu. Collez ensuite le texte de la page dans la démonstration en ligne de l’API Natural Language de Google Cloud pour voir quelles entités ressortent et avec quel poids. Si votre produit phare arrive loin derrière un terme secondaire, le texte manque de focus. Réécrivez enfin les passages flous en réponses directes, alignées sur l’intention de recherche réelle plutôt que sur un mot-clé isolé.