Similaridade de cosseno entre textos e páginas

A similaridade de cosseno mede, de 0 a 1, o quanto dois textos usam os mesmos termos na mesma proporção. A calculadora gratuita compara dois textos colados ou duas páginas públicas e mostra três números lado a lado: cosseno por frequência, cosseno com peso de raridade dos termos (TF-IDF) e trechos de 8 palavras repetidos, sem cadastro.

Em 58 dos 142 sites (cerca de 41%) que a agência auditou entre janeiro de 2024 e setembro de 2026, segundo os relatórios finais arquivados, a primeira auditoria encontrou conteúdo genérico repetido sem evidência própria, e a amostra vem do atendimento da agência, sem representar todos os sites brasileiros.

Entre os achados dessas auditorias estão páginas que disputam a mesma intenção de busca com conteúdo quase igual e páginas regionais que só trocam o nome da cidade. A calculadora serve para achar esses pares antes de decidir o que fundir ou reescrever.

O que é similaridade de cosseno?

A similaridade de cosseno é a medida do ângulo entre dois textos transformados em vetores, em que cada termo vira uma dimensão e a contagem dele vira o valor. A fórmula cabe em uma linha: cosseno = (A · B) ÷ (‖A‖ × ‖B‖), o produto escalar dos dois vetores dividido pelo produto dos tamanhos deles.

O ângulo aparece junto do número: 0° quando os dois textos têm a mesma distribuição de termos e 90° quando não têm nenhum termo em comum. Na calculadora, um texto comparado com ele mesmo repetido três vezes dá 1,000, porque a conta olha só a direção do vetor. Uma página curta e uma longa sobre o mesmo serviço ficam próximas, e é isso que permite comparar páginas de tamanhos diferentes.

Qual valor indica canibalização entre duas páginas?

Acima de 0,75 no cosseno TF-IDF, duas páginas do mesmo site provavelmente disputam a mesma busca, pela régua que a Lucas Ferraz SEO usa para comparar as páginas que publica: abaixo de 0,60 há pouca disputa, de 0,60 a 0,75 é o esperado entre páginas do mesmo serviço, e trechos repetidos acima de 0,30 pedem reescrita do trecho comum.

As faixas são critério de trabalho da agência, calibrado nas páginas que ela publica, e não reproduzem um limite do Google; o número aponta o par suspeito e não substitui a conferência das consultas de cada página. A tabela mostra o que cada medida separa e o que fazer com ela.

Medida	O que ela separa	Faixa de leitura	O que fazer
Cosseno por frequência	Vocabulário em comum, inclusive as palavras genéricas do setor, com o ângulo em graus	Sem faixa própria, serve de base de comparação	Comparar com o TF-IDF para ver se a semelhança vem só de termos genéricos
Cosseno TF-IDF	Vocabulário específico, com os termos que aparecem em quase todo texto descontados	Abaixo de 0,60 pouca disputa, de 0,60 a 0,75 esperado no mesmo serviço, acima de 0,75 disputa provável	Acima de 0,75, conferir se as duas URLs aparecem para a mesma consulta no Google
Trechos de 8 palavras repetidos	Cópia literal de frases entre os dois textos	Acima de 0,30 trecho comum relevante	Reescrever o trecho comum na página que precisa se diferenciar

O número que decide é o cosseno TF-IDF, porque ele desconta os termos que todo texto do setor usa; o de frequência serve de base, e os trechos repetidos dizem se a semelhança é de assunto ou de frase copiada. Um par acima de 0,75 com trechos abaixo de 0,30 pede diferenciação de assunto, e um par com trechos acima de 0,30 pede reescrita das frases em comum.

Por que três números e não um?

Três números porque cada um separa um tipo de semelhança que os outros misturam: a frequência mostra o vocabulário em comum, o TF-IDF tira o peso dos termos que todo texto usa e os trechos repetidos acusam cópia literal.

No exemplo que a calculadora carrega, duas descrições da mesma consultoria dão 0,625 por frequência (ângulo de 51,3°), 0,500 no TF-IDF e 0,000 em trechos repetidos, ou seja, o mesmo serviço contado com frases próprias.

Cosseno por frequência de termo

A medida por frequência conta quantas vezes cada termo aparece em cada texto e compara as proporções. Antes da conta, os textos passam para minúsculas, o acento sai só para comparar, e saem as palavras vazias do português e os termos de até 2 letras. Ele sobe quando os dois textos repetem as mesmas palavras, inclusive as que qualquer página do setor usa.

Quando só o cosseno por frequência sobe e o TF-IDF fica abaixo de 0,60, os dois textos dividem as palavras genéricas do assunto e pouco mais, como no par de exemplo da própria calculadora.

Cosseno TF-IDF com acervo em português

O cosseno TF-IDF (term frequency-inverse document frequency, a frequência do termo multiplicada pela raridade dele em um acervo) existe porque termos muito frequentes encobrem os mais raros e informativos, como explica a documentação de extração de texto do scikit-learn, na versão 1.9.1.

Na calculadora, o peso de cada termo é (1 + ln da contagem) × ln(N ÷ textos do acervo que usam o termo), sobre um acervo de 637 textos em português publicados pela agência, com 9.751 termos (versão de novembro de 2026).

O termo que não está no acervo recebe o peso máximo de raridade, ln(637), cerca de 6,46. Como o acervo é de SEO e marketing, as palavras desse setor pesam pouco, e os termos do seu serviço, como “implante” ou “inventário”, pesam mais.

Trechos de 8 palavras repetidos

Os trechos repetidos usam o índice de Jaccard: as sequências de 8 termos seguidos que os dois textos têm em comum, divididas pelo total de sequências distintas dos dois. O método vem dos shingles, sequências contínuas de palavras, que Andrei Broder usou em 1997 para agrupar mais de 30 milhões de documentos coletados na web pelo buscador AltaVista em conjuntos quase iguais, como descreve o artigo sobre semelhança e contenção de documentos.

Na calculadora, a ordem das palavras pesa apenas nos trechos repetidos: no teste da agência, a mesma frase com as palavras invertidas dá 1,000 no cosseno e 0,000 em trechos repetidos.

Tudo que a calculadora entrega em cada comparação

Para comparar dois textos ou duas páginas, a calculadora entrega 8 recursos, e cada um responde a uma decisão sobre o par: de onde vem o texto, quanto os dois se parecem, quais termos explicam a semelhança e como levar o resultado para quem vai reescrever as páginas.

• Entrada por texto colado ou por endereço público, com o texto principal extraído no campo para você conferir antes do cálculo;
• Três medidas de 0 a 1 lado a lado, com o ângulo em graus ao lado da medida por frequência;
• Peso de raridade calculado sobre o acervo de 637 textos, que desconta o vocabulário comum do setor;
• Tabela dos 15 termos que mais pesam no cosseno TF-IDF, com o peso em cada texto e a contribuição para o resultado, que mostra quais palavras reescrever;
• Grifo dos termos comuns e dos trechos de 8 palavras repetidos nos dois textos;
• Faixa de leitura escrita por extenso ao lado de cada número;
• Botões Carregar exemplo e Limpar, para testar a leitura com um par pronto;
• Resultado para copiar ou baixar em Markdown, um arquivo de texto simples que abre em qualquer editor e vai junto do relatório da equipe.

O que este número não mede?

O número da calculadora não mede sinônimo, plural nem intenção de busca, porque compara apenas o vocabulário dos dois textos: “dentista implante” contra “odontologista prótese” dá 0, e “clínica odontológica” contra “clínicas odontológicas” também. Para conferir fora da ferramenta, abra o relatório do Google Search Console, o painel gratuito do Google que mostra por quais buscas o site aparece, e veja se as duas URLs surgem para a mesma consulta.

Os buscadores comparam por significado, e o Google descreve a correspondência neural como um sistema de IA que entende representações de conceitos em consultas e páginas e faz a correspondência entre elas, no guia dos sistemas de classificação da Pesquisa Google, atualizado em 16 de setembro de 2026. O resultado da calculadora mede o texto e não estima a nota que o Google dá a uma página.

Três limites práticos completam a leitura. Texto com menos de 8 termos não mede trechos repetidos, e texto vazio ou só com palavras vazias pede um texto mais longo. As palavras “site”, “página”, “páginas” e “google” ficam fora da conta, junto com artigos e preposições. Com endereço, a extração usa o bloco principal da página, e em página sem essa marcação pode entrar resto de menu: confira o campo antes de calcular.

Vale fundir duas páginas só porque o número deu alto?

Não. Um cosseno TF-IDF acima de 0,75 aponta o par suspeito, e a decisão entre fundir, diferenciar ou reescrever depende do que o Search Console mostra para as duas URLs, porque é lá que aparece se o Google alterna as duas na mesma consulta. São três situações, cada uma com uma saída:

• As duas aparecem para a mesma consulta e revezam ao longo das semanas: escolha a página que fica, leve para ela o conteúdo útil da outra e redirecione o endereço antigo;
• Cada uma aparece para consultas diferentes: mantenha as duas e diferencie o assunto, a começar pelos termos da tabela dos 15;
• Os trechos repetidos passam de 0,30: reescreva o trecho comum na página que precisa se diferenciar.

Cosseno alto entre duas páginas é suspeita. A prova da disputa é ver as duas URLs revezando na mesma consulta do Search Console, e só ela justifica tirar uma página do ar.

Lucas Ferraz, especialista em SEO

Quando o par envolve páginas que deveriam trazer pedido de orçamento, escolher qual fica e o que reescrever faz parte do trabalho contínuo de consultoria de SEO, porque fundir a página errada pode tirar do ar a que já recebia visita.

Como conferir a canibalização no Search Console?

Para conferir a canibalização no Search Console, cruze consulta e página no relatório de Performance, nos dois sentidos: da consulta para as páginas e da página para as consultas. São 5 passos, conforme a ajuda do Search Console sobre tarefas comuns do relatório, lida em 2 de novembro de 2026:

1. Abra Performance, em resultados da Pesquisa, e escolha um período de vários meses, para o revezamento aparecer no gráfico;
2. Na guia Consultas, clique na consulta que as duas páginas deveriam atender, e o relatório passa a mostrar só os dados dela;
3. Abra a guia Páginas e veja quais URLs o Google mostrou para essa consulta;
4. Se as duas aparecem, filtre uma URL de cada vez e compare impressões e cliques no mesmo período: uma subindo enquanto a outra cai, na mesma consulta, é o sinal de disputa;
5. Para o caminho inverso, adicione um filtro de URL com a página e abra a guia Consultas, que lista as buscas dela para cruzar com as da outra.

Em 2 de novembro de 2026, a agência fez a pergunta “como medir se duas páginas do meu site competem pela mesma busca?” três vezes a cada assistente (ChatGPT, Perplexity, Gemini e Claude). As 12 respostas mandaram cruzar consulta e página no Search Console, e nenhuma recomendou medir a similaridade dos textos. A calculadora entra antes desse passo, para escolher quais pares conferir.

Perguntas frequentes sobre similaridade de cosseno

Donos de site que comparam duas páginas perguntam sobretudo se o Google usa essa conta e se o texto colado fica guardado; esse texto é calculado no navegador e não sai dele.

O que decide o destino de duas páginas parecidas

O destino de duas páginas parecidas sai do cruzamento entre o número e a consulta: o cosseno TF-IDF escolhe quais pares abrir, o Search Console diz se eles disputam a mesma busca, e a tabela dos 15 termos mostra por onde começar a reescrita.

Uma clínica odontológica com uma página de implante dentário e outra de prótese sobre implante, por exemplo, cola as duas na calculadora, vê o TF-IDF na faixa de disputa e descobre no Search Console que só uma aparece para “implante dentário”; a outra ganha um assunto próprio, e nenhuma sai do ar.

Se as páginas em dúvida são as que deveriam trazer pedido de orçamento, peça a análise gratuita da agência: ela traz os pontos por escrito, uma conversa e a checagem de presença nas IAs, com resposta no mesmo dia útil e proposta em até 48 horas. A agência soma 212 avaliações no Google, com nota 5,0.

Prefere delegar a execução

Se o tempo é o gargalo, a consultoria de SEO assume o diagnóstico e as correções do seu site, com prioridades mensais e sem fidelidade, de R$ 1.350 a R$ 4.050 por mês.

Conhecer a consultoria de SEO