---
title: "Similaridade de cosseno entre textos e páginas"
url: "https://lucasferrazseo.com/ferramentas/similaridade-de-cosseno/"
datePublished: "2026-11-02T13:34:08-03:00"
dateModified: "2026-11-02T13:34:08-03:00"
image: "https://lucasferrazseo.com/wp-content/uploads/2026/11/similaridade-de-cosseno.webp"
description: "Similaridade de cosseno entre dois textos ou duas URLs, com três medidas: frequência, TF-IDF e trechos repetidos. Grátis e sem cadastro."
content_signal: ai-train=yes, search=yes, ai-input=yes
---

# Similaridade de cosseno entre textos e páginas

Similaridade de cosseno entre dois textos ou duas URLs, com três medidas: frequência, TF-IDF e trechos repetidos. Grátis e sem cadastro.

![Similaridade de cosseno entre textos e páginas](https://lucasferrazseo.com/wp-content/uploads/2026/11/similaridade-de-cosseno.webp)

## Resumo

A calculadora de similaridade de cosseno compara dois textos colados ou duas páginas públicas e mostra três números de 0 a 1: cosseno por frequência com o ângulo em graus, cosseno TF-IDF sobre um acervo de 637 textos em português e trechos de 8 palavras repetidos. Pela régua da agência, TF-IDF acima de 0,75 indica disputa provável entre duas páginas, a ser confirmada no Search Console.

## Principais pontos

- Acima de 0,75 no cosseno TF-IDF, duas páginas do mesmo site provavelmente disputam a mesma busca; de 0,60 a 0,75 é o esperado entre páginas do mesmo serviço, e abaixo de 0,60 há pouca disputa;
- Trechos de 8 palavras repetidos acima de 0,30 indicam cópia literal e pedem reescrita do trecho comum na página que precisa se diferenciar;
- O cosseno TF-IDF da calculadora pesa cada termo pela raridade dele em um acervo de 637 textos em português com 9.751 termos, e por isso desconta o vocabulário que todo texto do setor usa;
- A tabela dos 15 termos que mais pesam mostra o peso em cada texto e a contribuição para o resultado, e o resultado sai para copiar ou baixar em Markdown;
- A calculadora mede vocabulário: sinônimos, singular e plural contam como termos diferentes, e a intenção de busca fica fora da conta;
- Cosseno alto entre duas páginas é suspeita, e a prova da disputa é ver as duas URLs revezando na mesma consulta do Search Console.

## Passo a passo

1. Cole os dois textos nos campos Texto A e Texto B, ou informe os endereços das duas páginas públicas e confira o texto principal que aparece no campo;
2. Clique em Calcular similaridade e leia o cosseno TF-IDF: abaixo de 0,60 há pouca disputa, de 0,60 a 0,75 é o esperado no mesmo serviço e acima de 0,75 a disputa é provável;
3. Olhe os trechos de 8 palavras repetidos: acima de 0,30, reescreva o trecho comum na página que precisa se diferenciar;
4. Com o par acima de 0,75, abra o relatório de Performance do Search Console, clique na consulta que as duas deveriam atender e veja na guia Páginas se as duas URLs aparecem;
5. Se as duas revezam na mesma consulta, escolha a página que fica e leve para ela o conteúdo útil da outra; se cada uma aparece para consultas diferentes, diferencie o assunto a partir da tabela dos 15 termos;
6. Sozinho você mede e confere o par; quando as páginas em disputa são as que deveriam trazer pedido de orçamento, decidir qual fica e o que reescrever é onde a consultoria de SEO entra.

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](https://lucasferrazseo.com/glossario/intencao-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](https://scikit-learn.org/stable/modules/feature_extraction.html), 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](https://www.cs.princeton.edu/courses/archive/spring13/cos598C/broder97resemblance.pdf).

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](https://lucasferrazseo.com/glossario/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](https://developers.google.com/search/docs/appearance/ranking-systems-guide?hl=pt-br), 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](https://lucasferrazseo.com/autor-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](https://lucasferrazseo.com/servicos/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](https://support.google.com/webmasters/answer/17010961?hl=pt-BR), 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 Google usa similaridade de cosseno?

Não há confirmação pública. A documentação do Google descreve sistemas como a correspondência neural, que compara representações de conceitos em consultas e páginas, sem detalhar a fórmula. Por isso o resultado da calculadora mede o vocabulário dos seus textos e serve para achar páginas parecidas, sem estimar a nota que o Google dá a cada uma.

### Qual a diferença entre cosseno e Jaccard?

A diferença entre cosseno e Jaccard está no que cada um compara. O cosseno compara a proporção dos termos, tratados como vetores. O Jaccard compara conjuntos: itens em comum divididos pelo total de itens distintos. Na calculadora, o Jaccard é aplicado a trechos de 8 palavras seguidas, para acusar a cópia literal que o cosseno confunde com assunto parecido.

### O texto que eu colo fica guardado?

Não. O texto colado é calculado no seu navegador e não é enviado ao servidor. Quando você informa um endereço, o servidor do lucasferrazseo.com lê apenas a página pública, com verificação de segurança, guarda o HTML dela por 10 minutos e devolve o texto principal ao campo, onde você confere antes de calcular.

### Posso comparar uma página minha com a de um concorrente?

Sim, desde que a página do concorrente seja pública. Informe os dois endereços e confira o texto extraído antes de calcular. A tabela dos 15 termos mostra onde os dois textos se encontram, e trechos repetidos acima de 0,30 indicam frases copiadas de um lado ou do outro, o que pede reescrita com as palavras do seu serviço.

### O que é distância de cosseno?

A distância de cosseno é o complemento da similaridade, ou seja, 1 menos o valor do cosseno. Dois textos com similaridade de 0,80 têm distância de 0,20, e textos sem nenhum termo em comum têm distância 1. A calculadora mostra a similaridade e o ângulo em graus; a distância serve quando uma planilha pede o número invertido.

### Por que dois textos sobre o mesmo assunto deram similaridade baixa?

Dois textos sobre o mesmo assunto dão similaridade baixa quando usam palavras diferentes para dizer a mesma coisa. A calculadora conta termos, então sinônimos e a troca de singular por plural entram como termos distintos: no teste da agência, “clínica odontológica” contra “clínicas odontológicas” deu 0. Antes de concluir que não há disputa, confira as duas URLs no Search Console.

## 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.