01
Zoeken als Wiskunde
Google gebruikt het Vector Space Model (VSM) om relevantie te berekenen. Elke pagina wordt omgezet naar een vector — een wiskundige representatie van de woorden en hun gewicht. Een zoekopdracht is ook een vector. De "afstand" (cosine similarity) tussen deze vectoren bepaalt je ranking.
02
TF-IDF: De Basis
Term Frequency-Inverse Document Frequency (TF-IDF) is de ruggengraat van VSM. Een woord dat vaak op jouw pagina voorkomt (hoge TF) maar zeldzaam is op het web (hoge IDF) heeft het meeste gewicht. Dit verklaart waarom specifieke, technische termen beter ranken dan generieke woorden.
03
Van Woorden naar Embeddings
Modern VSM gaat verder dan individuele woorden. Neurale embeddings (Word2Vec, BERT) vatten semantische betekenis: "auto reparatie" en "voertuig onderhoud" zijn wiskundig bijna identiek. Dit is waarom synoniem-stuffing zinloos is — Google begrijpt de betekenis al.
04
Praktische Toepassing
Analyseer de top 10 resultaten voor je target query. Identificeer de termenfrequentie van unieke woorden versus jouw content. Vul de gaten op met semantisch gerelateerde termen. Tools als SurferSEO visualiseren dit, maar het principe is altijd VSM.