Kelnux/seo-embedding-uczciweseo

SEO Embedding Model - UczciweSEO.pl v2

Model embeddingowy fine-tuned dla polskiego rynku SEO, wytrenowany na:

• cyberandy/seo-grpo-reasoning-dataset-1000 - dataset SEO reasoning
• UczciweSEO.pl - polskie dane SEO
• Terminologia seovoc/schema.org

Wyniki

Metryka	v1	v2	Zmiana
Pary podobne	0.7762	0.8229	+0.047
Pary różne	0.3309	0.2982	-0.033
Gap (separacja)	0.4453	0.5247	+0.079

Użycie

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("Kelnux/seo-embedding-uczciweseo")

# Generuj embeddingi
sentences = ["technical SEO audit", "audyt techniczny strony"]
embeddings = model.encode(sentences)

# Oblicz podobieństwo
from sklearn.metrics.pairwise import cosine_similarity
similarity = cosine_similarity([embeddings[0]], [embeddings[1]])[0][0]
print(f"Podobieństwo: {similarity:.4f}")

Przykłady

Fraza 1	Fraza 2	Podobieństwo
technical SEO audit steps	crawl errors in Google Search Console	0.79
structured data	dane strukturalne schema.org	0.93
organic traffic	ruch organiczny	0.91
keyword difficulty	long-tail keywords	0.88

Specyfikacja

• Wymiar: 384
• Base model: paraphrase-multilingual-MiniLM-L12-v2
• Dane treningowe: 298 par (SEO-GRPO + UczciweSEO + terminologia)
• Języki: polski, angielski

Kategorie treningowe

• Technical SEO (crawl issues, indexing)
• Content SEO (keywords, optimization)
• Link building (internal linking, anchor text)
• seovoc/schema.org concepts
• UczciweSEO terminology (uczciwe praktyki SEO)

Citation

@misc{seo-embedding-uczciweseo,
  title={SEO Embedding Model for UczciweSEO.pl},
  year={2025},
  publisher={HuggingFace},
  url={https://huggingface.co/Kelnux/seo-embedding-uczciweseo}
}