Pourquoi la cannibalisation est amplifiée à grande échelle
Sur un site de 226 000 pages, les collisions sémantiques ne sont pas des accidents rares — elles sont structurelles. Deux rédacteurs différents, deux clusters mal délimités, ou une requête longue traîne qui chevauche une requête tête de cluster : ces situations produisent des paires de pages dont Google ne sait quelle URL prioriser. Le résultat est une dilution des signaux de ranking pour les deux pages.
La détection manuelle de ces collisions est impossible à notre échelle. Nous avons donc construit un pipeline qui, à chaque nouvelle publication, recalcule les 50 pages les plus proches sémantiquement de la nouvelle URL. Si une paire dépasse le seuil de 0,85, une alerte est générée dans notre système de gestion éditoriale avec suggestion d’action : fusion, redirection, ou différenciation.
Méthode de calcul et choix du seuil
Nous utilisons des embeddings de 768 dimensions générés par un modèle de langage fine-tuné sur notre corpus thématique (SEO, marketing, technologie). Les vecteurs TF-IDF classiques sous-estiment les collisions entre synonymes et variantes phrastiques ; les embeddings denses les captent mieux. Le calcul est effectué en batch nuitaire sur l’ensemble du corpus avec mise en cache des vecteurs pour éviter le recalcul complet.
Le seuil de 0,85 n’est pas universel. Nous l’avons calibré sur nos propres données en corrélant le cosinus mesuré avec les pertes de trafic observées après les mises à jour algorithmiques de 2024. Des thématiques plus génériques (ex. : définitions) tolèrent des cosinus plus élevés car les pages servent des intentions légèrement différentes ; des thématiques très techniques (audit technique SEO) ont un seuil abaissé à 0,80.
Actions correctives par niveau de cosinus
Entre 0,85 et 0,90 : différenciation éditoriale. L’une des deux pages doit acquérir un angle distinct : un horizon temporel différent, un segment d’audience différent, ou des exemples issus d’un contexte géographique ou sectoriel propre. Entre 0,90 et 0,95 : fusion avec redirection 301. Les deux pages sont consolidées en une seule URL, plus complète, qui hérite des backlinks et de l’historique de ranking des deux sources.
Au-delà de 0,95 : redirection pure. L’une des pages est redirigée vers l’autre sans tentative de fusion éditoriale. Ce cas correspond souvent à une duplication presque parfaite créée par erreur de process. Depuis l’implémentation de ce protocole en janvier 2025, nous avons traité 1 840 paires sur notre corpus actif, avec un gain moyen de 11 % de trafic organique sur les pages consolidées mesuré à 60 jours.
Questions fréquentes
La similarité cosinus détecte-t-elle aussi la cannibalisation entre sous-domaines ?
Oui, à condition d’inclure les deux corpus dans le calcul. Si vos sous-domaines sont thématiquement proches (ex. : blog.domaine.com et domaine.com/ressources), nous recommandons d’inclure l’ensemble dans la matrice de similarité. Google traite les sous-domaines comme des entités distinctes mais leur proximité thématique peut tout de même diluer les signaux d’autorité.
Faut-il recalculer la matrice après chaque mise à jour de contenu ?
Pour les mises à jour mineures (correction factuelle, ajout de FAQ), un recalcul ciblé sur les 50 voisins les plus proches suffit. Pour une réécriture substantielle modifiant plus de 40 % du texte, un recalcul complet du voisinage est nécessaire car le vecteur d’embedding de la page peut avoir significativement changé de direction.