TF-IDF en SEO : ce qu'il mesure, ce qu'il rate, comment s'en servir

Qu’est-ce que le TF-IDF en SEO ?

Le TF-IDF (term frequency–inverse document frequency, soit fréquence du terme et fréquence inverse de document) est un score qui pondère un mot selon sa fréquence dans un texte, minorée par le nombre de textes d’un ensemble qui le contiennent. En SEO, il sert de diagnostic : comparez votre page aux pages qui se classent, et les termes lourds qu’elles partagent et qui vous manquent signalent les sous-sujets qu’il vous reste à traiter.

Une responsable éditoriale a un article de 1 400 mots sur la meta description, bloqué en 14ᵉ position. Elle le colle à côté de la page classée 3ᵉ dans un outil TF-IDF gratuit. La liste des écarts commence par « pixels », « tronque », « réécrit ». Son article ne dit nulle part que Google réécrit les extraits ni que la coupure se mesure en pixels. La correction ne consiste pas à saupoudrer ces trois mots : elle consiste à écrire les deux sections qu’ils représentent.

Toute la méthode tient dans cet exemple. La suite détaille la formule, chiffres à l’appui, et ses limites.

Comment se calcule le TF-IDF ?

Le TF-IDF multiplie deux nombres : la fréquence du terme (sa présence dans ce texte) et la fréquence inverse de document (sa rareté dans l’ensemble des textes). Un mot obtient un score élevé quand il est fréquent dans un document et présent dans peu d’autres.

L’idée de la fréquence inverse de document remonte à Karen Spärck Jones, en 1972 : selon l’article Wikipedia sur le tf–idf, elle « conceived a statistical interpretation of term-specificity called Inverse Document Frequency (idf) ». La forme standard :

tf(t, d)      = occurrences du terme t dans le document d / nombre total de termes de d
idf(t)        = log( N / df(t) )
tfidf(t, d)   = tf(t, d) × idf(t)

N     = nombre de documents de l'ensemble
df(t) = nombre de documents qui contiennent t

Pourquoi minorer les mots courants ? La documentation de scikit-learn l’explique simplement :

C’est ce que corrige l’IDF : un mot présent dans tous les documents reçoit log(N / N) = log(1) = 0, donc un poids nul, quel que soit le nombre de fois où il apparaît. Un mot présent dans un seul document garde tout son poids.

Un exemple chiffré, pas à pas

Prenons quatre pages classées sur « comment écrire une meta description ». Une fois les mots vides retirés, la page A compte 400 termes. On en regarde trois, avec le logarithme népérien (ln).

Trois enseignements :

1. Le mot le plus répété vaut zéro. « Description » apparaît 24 fois, mais toutes les pages l’emploient : il ne dit rien de ce qui distingue la page A. C’est l’inverse de ce que dirait la densité de mots-clés.
2. Un mot propre à une seule page pèse le plus. « Extrait » est le vocabulaire distinctif de la page A dans cet ensemble.
3. Le score est relatif. 0,0277 ne veut rien dire seul. Il dit seulement qu’« extrait » pèse environ quatre fois plus que « pixels » dans cette page, au sein de ces quatre-là.

Ce qui change quand on compare deux textes

Quand vous ne comparez que votre page et un concurrent, la formule standard coince : avec N = 2, un terme présent dans les deux textes reçoit ln(2 / 2) = 0, et les bibliothèques lissent en général la formule pour éviter les zéros et les divisions par zéro. Le réglage par défaut de scikit-learn, smooth_idf=True, « adds “1” to the numerator and denominator as if an extra document was seen containing every term in the collection exactly once », c’est-à-dire qu’il fait comme si un document supplémentaire contenait chaque terme une fois :

idf(t) = log( (1 + n) / (1 + df(t)) ) + 1

Avec deux textes (n = 2) et le logarithme népérien, un terme présent dans un seul texte obtient ln(3 / 2) + 1 ≈ 1,41, un terme présent dans les deux obtient ln(3 / 3) + 1 = 1. C’est la formule de notre outil TF-IDF. Supposons que le texte concurrent compte 150 termes hors mots vides, et que « tronque » y apparaisse 3 fois et jamais chez vous : tf = 3 / 150 = 0,02, poids = 0,02 × 1,41 ≈ 0,028. L’outil le classe en priorité haute (au-dessus de 0,01).

Avec deux textes, l’IDF ne prend donc que deux valeurs : le classement dépend surtout de la fréquence chez le concurrent, et l’IDF remonte ceux que vous n’employez pas. Suffisant pour repérer des manques.

Que peut vous apprendre le TF-IDF sur votre contenu ?

Le TF-IDF dit quels mots pèsent dans un texte par rapport aux autres. Appliqué à plusieurs pages qui se classent, il révèle le vocabulaire qu’un sujet demande, et les trous dans le vôtre. Il ne dit pas si votre page est bonne, juste ou utile.

Ce qu’il fait bien :

• Repérer les sous-sujets absents. Un terme lourd qui manque à votre page correspond souvent à une question sans réponse : « pixels » renvoie à « quelle longueur viser ? », « réécrit » à « pourquoi Google ignore la mienne ? ».
• Repérer les points survolés. Un terme que vous partagez mais employez beaucoup moins que le concurrent peut signaler un point cité sans être expliqué. L’outil les liste comme termes plus faibles chez vous.
• Repérer votre propre angle. Les termes que vous seul employez sont soit votre valeur ajoutée (votre méthode, vos chiffres), soit une dérive hors sujet. Dans les deux cas, c’est bon à savoir.

C’est rapide et lisible : vous voyez pourquoi un terme arrive en tête.

Que ne peut pas vous dire le TF-IDF ?

Le TF-IDF compte des mots. Il ne comprend ni le sens, ni l’ordre, ni l’intention, ni l’exactitude, ni la qualité, et il ne dit rien de la façon dont Google classe les pages.

• Pas de sens. « voiture » et « voitures » sont deux termes différents ; « prix » et « tarif » n’ont aucun lien. Dans l’outil gratuit, les termes sont des mots isolés, sans racinisation ni expressions : « meta description » est compté comme « meta » et « description ».
• Pas d’ordre des mots. « voyageur Brésil vers États-Unis » et « voyageur États-Unis vers Brésil » donnent exactement les mêmes comptes. Google a justement pris une requête de ce type pour montrer ce que BERT changeait : dans son annonce de 2019, il explique que « The word “to” and its relationship to the other words in the query are particularly important to understanding the meaning » (le petit mot « to » et sa relation aux autres mots portent le sens de la requête).
• Pas de signal de qualité. Une page peut reprendre le vocabulaire des premiers résultats et rester fausse, datée ou copiée. Les questions de Google sur le contenu utile demandent si une page apporte « original information, reporting, research, or analysis », et si un contenu qui s’appuie sur d’autres sources évite de « simply copying or rewriting those sources ». Aucun comptage de mots n’y répond.
• Pas de modèle de classement. Un concurrent peut se classer pour des raisons qui n’ont rien à voir avec les mots : liens, marque, fraîcheur, réputation du site.

Google utilise-t-il le TF-IDF ?

Google ne le dit pas. Son guide des systèmes de classement, qui présente « some of our more notable ranking systems », ne mentionne pas le TF-IDF. Pour le langage, il décrit des systèmes d’IA : BERT, le neural matching, le passage ranking et RankBrain.

Le SEO Starter Guide le formule en termes pratiques : les systèmes de correspondance linguistique de Google « can understand how your page relates to many queries, even if you don’t explicitly use the exact terms in them ».

Le TF-IDF n’a pas disparu des moteurs de recherche en général : la similarité par défaut d’Elasticsearch, BM25, est décrite dans sa documentation de référence comme une « TF/IDF based similarity ». Mais c’est un moteur de recherche interne, pas Google. La conclusion utile est plus modeste : les pages qui se classent sur une requête traitent souvent les mêmes notions, et le TF-IDF permet de les voir vite. Servez-vous-en pour lire le sujet, pas pour imiter un algorithme.

Comment exploiter une comparaison sans bourrage de mots-clés ?

Transformez chaque terme manquant en question, répondez à celles qui le méritent, et arrêtez-vous là. N’insérez jamais un mot pour faire monter un score.

flowchart TD
  A[Choisir la requête cible] --> B[Réunir 3-4 pages classées]
  B --> C[Comparer chacune à votre page]
  C --> D[Garder les termes absents dans plusieurs comparaisons]
  D --> E[Transformer chaque terme en question de lecteur]
  E --> F{Votre lecteur en a-t-il besoin ?}
  F -- Non --> G[L'ignorer]
  F -- Oui --> H[Écrire ou étoffer une section]
  H --> I[Vérifier la densité, puis recomparer]

1. Choisir la requête et ses pages. Tapez la requête visée et récupérez le corps de texte de trois ou quatre résultats naturels qui correspondent à votre intention.
2. Comparer une page à la fois. Collez votre brouillon et un concurrent dans l’outil TF-IDF. Notez les termes manquants de priorité haute et moyenne. Recommencez avec chaque page.
3. Garder ce qui se répète. Un terme absent face à trois pages sur quatre dessine une tendance ; un terme absent face à une seule page est souvent l’exemple ou la marque de son rédacteur.
4. Traduire les termes en questions. « Tronque » devient « Pourquoi ma description est-elle coupée, et où ? ». « Réécrit » devient « Pourquoi Google affiche-t-il un autre extrait ? ».
5. Écrire la section, pas le mot. Si la question mérite une réponse, écrivez un vrai paragraphe ou un H2 avec un exemple. Le terme apparaîtra naturellement, quelques fois, parce qu’on ne peut pas expliquer le point sans lui.
6. Vérifier la répétition. Passez le résultat dans l’analyseur de densité de mots-clés pour vous assurer que vous n’avez pas basculé dans la répétition.
7. Recomparer. La liste des écarts doit maintenant commencer par des termes vraiment propres à l’autre page.

Où passe la limite du bourrage de mots-clés

Les règles anti-spam de Google définissent le keyword stuffing (bourrage de mots-clés) comme le fait de « filling a web page with keywords or numbers in an attempt to manipulate rankings in Google Search results », c’est-à-dire de remplir une page de mots-clés pour manipuler le classement. Parmi les exemples :

Le Starter Guide ajoute que répéter sans cesse les mêmes mots, même en variantes, « is tiring for users, and keyword stuffing is against Google’s spam policies ». Une liste d’écarts TF-IDF lue comme une liste de mots à insérer mène tout droit là. Lue comme une liste de questions à traiter, elle mène à une page plus complète.

Le même guide donne l’autre face, celle de l’écriture naturelle : « If you are varying the words (writing naturally to not be repetitive), you have more chances to show up in Search simply because you are using more keywords. » Traiter correctement un sous-sujet apporte son vocabulaire avec lui, sans rien forcer.

Ne courez pas non plus après la longueur

Reprendre tous les sous-sujets de tous les concurrents peut gonfler une page sans raison. Google est explicite : « The length of the content alone doesn’t matter for ranking purposes », il n’existe pas de nombre de mots magique, ni minimum ni maximum. Sa page sur le contenu utile range parmi les signaux d’alerte le fait d’écrire pour atteindre un nombre de mots parce qu’on croit que Google en préfère un, avec cette réponse entre parenthèses : « (No, we don’t.) ». Ajoutez une section quand le lecteur en a besoin, pas parce qu’un concurrent en a une.

Une checklist pour votre prochaine comparaison

Quelle place pour le TF-IDF dans un process de contenu en 2026 ?

Le TF-IDF est une étape de recherche, à faire une fois par article, avant ou après le premier jet. Il donne le meilleur de lui-même à côté de ce qu’il ne sait pas faire : la recherche de mots-clés en amont, le jugement humain et la vérification des faits en aval.

En amont, il faut savoir quelles requêtes méritent une page : le TF-IDF compare des textes, il ne dit pas ce que les gens cherchent. En aval, il faut une personne pour vérifier que chaque nouvelle section est exacte et apporte quelque chose. La question de Google s’applique : le contenu fournit-il « a substantial, complete, or comprehensive description of the topic? ». Une analyse des écarts aide sur « complete ». Elle ne peut rien pour « substantial » ni pour l’originalité.

La même logique vaut pour les assistants IA. Une page qui répond à l’ensemble des questions d’un sujet, clairement et sources à l’appui, se cite plus facilement. Le guide GEO : être cité par ChatGPT, Gemini et Grok fait le point sur ce qui est documenté. Et si vous rédigez avec l’IA, Contenu IA et Google détaille la relecture que Google attend avant publication.

Essayez sur une page dès aujourd’hui

Prenez l’article que vous voulez le plus faire passer de la deuxième à la première page. Comparez-le aux trois meilleures pages de sa requête dans l’outil TF-IDF, gardez les termes qui reviennent à chaque fois, et notez les questions qui se cachent derrière. Si vous obtenez deux ou trois nouvelles sections qui manqueraient vraiment à un lecteur, vous avez tiré du TF-IDF ce qu’il a d’utile. Si vous obtenez une liste de mots à insérer, repartez des questions.