Incrustación de Datos Fuente (Paso 0): Construyendo los Cimientos

Este artículo explica cómo incrustamos todo el contenido fuente descubrible (productos, piezas y páginas del sitio) en un espacio vectorial compartido para permitir la coincidencia semántica en todo el pipeline de SEO y búsqueda.

El Problema: Coincidir Consultas con Contenido por Significado

Los usuarios describen su intención con muchas formulaciones diferentes. La coincidencia por palabras clave falla cuando la redacción de la consulta no coincide con la redacción del catálogo.

Utilizamos incrustaciones semánticas para que tanto las consultas como el contenido fuente puedan compararse por significado (típicamente mediante similitud de coseno).

Qué se Incrusta

Incrustamos todo el contenido que un usuario puede descubrir y que el pipeline puede enrutar:

  • Productos: Los artículos del catálogo vendibles (título + texto de características + cualquier texto redactado o generado por IA).

  • Piezas: Componentes y accesorios vendibles (nombres + especificaciones).

  • Páginas del sitio: Artículos (/a/), y otras páginas navegables que pueden aparecer en búsquedas y enlaces internos.

Incrustar todo el contenido descubrible permite la recuperación entre tipos (por ejemplo, un artículo puede posicionarse para una consulta orientada a productos, y un producto puede posicionarse para una consulta informativa cuando sea apropiado).

Arquitectura de Alto Nivel

flowchart TD
    A[Catálogo + piezas + páginas] --> B[Normalizar y construir descripciones]
    B --> C[Deduplicar por URL canónica]
    C --> D[Incrustación incremental]
    D --> E[Matriz de incrustaciones fuente + índice de claves]
    E --> F[Aguas abajo: coincidencia, enrutamiento, búsquedas relacionadas, servicio de búsqueda]

El Pipeline de Incrustación

Paso A: Consolidar los Datos Fuente

  • Propósito: Construir un conjunto de datos canónico de los elementos fuente.

  • Entradas: Catálogo de productos, conjunto de datos de piezas y contenido de páginas.

  • Salidas: Un conjunto de datos fuente consolidado con:

    • Claves: URLs canónicas (utilizadas como identificadores estables)
    • Descripciones: Texto utilizado para la incrustación
    • Tipos: Producto / pieza / artículo / página (para el enrutamiento aguas abajo)

  • Proceso:

    1. Extraer elementos de cada fuente.
    2. Construir una descripción por elemento.
    3. Deduplicar por URL canónica para que cada URL esté representada una sola vez.

Paso B: Incrustación Incremental

Utilizamos principios de aprendizaje incremental para evitar recalcular incrustaciones para contenido que no ha cambiado.

  • Propósito: Incrustar solo elementos nuevos o modificados, reutilizando las incrustaciones en caché para los elementos sin cambios.

  • Entradas: Conjunto de datos fuente consolidado y una caché de incrustaciones (ejecución anterior).

  • Salidas: Matriz de incrustaciones e índice de claves actualizados.

  • Proceso:

    1. Cargar las claves e incrustaciones en caché.
    2. Calcular una señal de cambio para cada elemento (basada en el texto de incrustación del elemento).
    3. Incrustar solo los elementos nuevos o modificados usando el modelo configurado (ver Estrategia de Incrustación SEO).
    4. Fusionar las incrustaciones en caché y las recién calculadas en un orden estable indexado por URL.

Paso C: Persistir los Artefactos

Las incrustaciones se almacenan en un formato numérico eficiente (comúnmente mediante NumPy) junto con un índice de claves separado para que los pasos aguas abajo puedan mapear las filas de vectores de nuevo a las URLs canónicas.

Construcción de la Descripción (Qué Texto Incrustamos)

Productos

Las descripciones de productos se construyen a partir de:

  • Nombre Simplificado: Nombre del producto e identificadores clave (por ejemplo, denominación de SKU/serie).

  • Texto de características: Representación legible por humanos de las características del producto (ver Estructura SKU).

  • Texto extenso: Texto redactado o generado por IA donde esté disponible (ver Generación de Contenido con IA).

Ejemplo (ilustrativo):

<nombre del producto>
<descripción corta>
<aspectos destacados de las características clave>

Piezas

Las descripciones de piezas se construyen a partir de:

  • Nombre orientado al cliente

  • Nombre interno (Identificador técnico)

  • Categoría

  • Especificaciones/atributos renderizados como texto

Páginas del sitio

Las descripciones de páginas se construyen a partir de:

  • Título

  • Fragmento del cuerpo principal (sección de introducción/encabezado)

  • Identificadores contextuales (etiquetas de categoría/familia donde corresponda)

El objetivo es un texto estable y representativo del contenido que cambie cuando cambie el significado de la página.

Reglas de Deduplicación

Cada URL canónica aparece una sola vez en el conjunto de datos consolidado.

  • Por qué: Múltiples fuentes pueden describir la misma URL a través de diferentes rutas de generación; los duplicados rompen el enrutamiento, la coincidencia y la indexación aguas abajo.

  • Cómo: Construir un diccionario indexado por URL canónica y hacer cumplir la unicidad en el momento de la consolidación. Si se encuentran duplicados, el script imprime el recuento y los elimina.

Cómo Otros Pasos Usan las Incrustaciones Fuente

  • Coincidencia de productos: Los clústeres o consultas se emparejan con los elementos fuente más cercanos por similitud semántica (ver Coincidencia de Productos SEO).

  • Búsquedas relacionadas: El generador de búsquedas relacionadas utiliza la similitud de incrustación para proponer enlaces de navegación relevantes (ver Búsquedas Relacionadas SEO).

  • Servicio de búsqueda: La búsqueda en línea puede utilizar la similitud vectorial sobre las incrustaciones indexadas (ver Arquitectura del Servicio de Búsqueda).

Ver También

Referencias

Resumen

  • Qué: Incrustar productos, piezas y páginas descubribles en un espacio vectorial compartido.

  • Cómo: Consolidar y deduplicar por URL canónica, luego incrustar incrementalmente solo los elementos modificados.

  • Por qué: Esto permite la recuperación semántica y el enrutamiento en todo el pipeline (coincidencia, búsquedas relacionadas y búsqueda vectorial en línea).

← Volver al Índice de Documentación