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

bibtex

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