潛在語意索引 LSI：它是什麼、Google 有沒有用

By

來源聲明：本文根據 Alex Chenery-Howes〈What is Latent Semantic Indexing and how does it work?〉（Oncrawl，2025-08-26；編者註說明已依 Google 搜尋與 SEO 實務更新）編譯整理，不是逐句翻譯。原文連結：https://oncrawl.com/technical-seo/what-is-latent-semantic-indexing。頁面未見開放授權。文中「編輯解讀」為本站觀點。

潛在語意索引（Latent Semantic Indexing, LSI）長期讓搜尋行銷圈兩極：有人當排名技巧推，有人當過時迷思打。Oncrawl 這篇 2025 年更新文的立場很清楚：LSI 是自然語言處理裡的真實方法，但 Google 已表明搜尋排名不曾使用它。

LSI 是什麼、怎麼算

LSI 屬 NLP，關心機器如何理解人類語言。1980 年代發展出來，用數學找出詞與詞之間「隱藏的」共現關係，讓資訊檢索不只靠完全相符的關鍵字。拆開來看：Latent 是隱藏、Semantic 是語意關係、Indexing 是檢索用的索引。

實作上會去掉連接詞、代名詞等停用詞，把剩下的內容詞放進詞—文件矩陣（Term Document Matrix），再用加權與奇異值分解（SVD）降低維度、近似用法模式。目標是預測詞在特定語境下的意義，而不是只數單一詞出現幾次1。

它怎麼跟 SEO 纏在一起

早期搜尋很吃關鍵字密度，後來 Google 更重視可信來源與意圖。行銷人開始談「要理解查詢背後的意思」，LSI 這個學術名詞便被借來包裝「相關詞優化」。Roger Montti 曾把 LSI 形容成搜尋引擎的「輔助輪」，並認為對今日排名幾乎沒有關聯——文中引用了這層意思。

Google 的 John Mueller、Gary Illyes 等人亦多次表明 Google 不使用 LSI。搜尋意圖方面，文中回顧品質評估指南早期的 Know / Do / Website / Visit-in-Person 等類別，並提醒指南已多次更新，應查最新版。

「LSI 關鍵字」為何站不住

文中整理反對意見：LSI 設計時並非對應今日這種巨大且快速變化的網頁集合；Bellcore 於 1989 年取得的美國專利已於 2008 年到期；已故的 Bill Slawski 曾用「用聰明電報連行動網路」比喻 Google 若還靠 LSI 的落差。Google 後來有 RankBrain 等把文字轉成向量的系統（文中說 RankBrain 已融入更新模型，不再常被單獨點名），再來是 2019 年 Pandu Nayak 宣布的 BERT——雙向看整個句子、保留停用詞的重要性，影響當時逾 10% 查詢——以及 2021 年的 MUM、2024 年的 AI Overviews 等23。

結論是：LSI 提醒「語境比堆砌關鍵字重要」，但那是思考方式，不是叫你去買「LSI 關鍵字工具」。

行銷上更該做的事

用同義與變體覆蓋相近意圖；把內容寫到真的能解決問題；善用結構化資料協助理解頁面；並依 Google 對有用內容與 E-E-A-T 的公開指引，做以人為本的內容4。語意 SEO 要跟的是現行系統與意圖，不是 1980 年代的 LSI 標籤。

常見問題

  • LSI 是不是 Google 的排名因素？依文中整理，LSI 是真實的自然語言處理技術，但 Google 代表已明確表示搜尋排名不曾使用 LSI；不應把「LSI 關鍵字」當成現行操作密技。
  • LSI 大致怎麼運作？先去掉停用詞，把詞頻放進 Term Document Matrix，再以奇異值分解（SVD）近似詞與文件的隱含關係，用來估測語意，而不只比對單一關鍵字。
  • 為什麼「LSI 關鍵字」常被認為是迷思？文中指出 LSI 早於現代網頁規模、相關專利已過期，且 Google 後來用 RankBrain、BERT、MUM 等更能處理動態語料的系統；多位 Google 人員也否認使用 LSI。
  • 行銷人還能從這場討論學到什麼？重點是寫清語境、同義與變體、符合意圖，並搭配結構化資料與對人有用的內容；不必去「蒐集 LSI 關鍵字清單」。

編輯解讀

一句話重點：把「LSI 關鍵字」從工作流刪掉，不會讓你少一個 Google 排名開關；把意圖與語境寫清楚，才會。

這對你的網站意味著什麼：

  • 關鍵字研究改問「使用者要完成什麼」，而不是蒐集所謂 LSI 詞表。
  • 重要頁檢查是否回答相關子問題，而不是同義詞堆疊密度。
  • 對內培訓時明確說：Google 公開否認使用 LSI。
  • 結構化資料與作者／來源可信度，比「LSI 工具分數」優先。

適用與不適用的情境：適合澄清內容團隊迷思、審稿時擋下過時建議。不適合當成 BERT／MUM 的技術深讀替身。

需要注意的限制：發布者 Oncrawl 可能在銷售 SEO 平台；文中對 Google 發言與專利史的整理屬二手彙整，細節应以 Google 與專利原文為準。

延伸閱讀：

名詞與資料來源

1. Latent semantic indexing — Wikipedia：〈Latent semantic indexing〉 https://en.wikipedia.org/wiki/Latent_semantic_indexing（檢索日期：2026-09-30） 2. BERT — Google AI Blog：〈Open Sourcing BERT〉 https://ai.googleblog.com/2019/10/open-sourcing-bert-state-of-art-pre.html（檢索日期：2026-09-30） 3. MUM — Google Blog：〈Introducing MUM〉 https://blog.google/products/search/introducing-mum/（檢索日期：2026-09-30） 4. 有用內容 — Google Search Central：〈Creating helpful, reliable, people-first content〉 https://developers.google.com/search/docs/fundamentals/creating-helpful-content（檢索日期：2026-09-30）

Similar Posts