≡En resumen
- La keyword extraction resume un texto en sus términos más representativos sin que nadie tenga que leerlo.
- Los métodos estadísticos (TF-IDF, RAKE, YAKE) son rápidos y no necesitan entrenamiento; los basados en embeddings (KeyBERT) captan mejor el significado.
- Extraer keywords de un texto no es lo mismo que investigar qué busca la gente: el resultado no trae volumen de búsqueda.
- En español conviene lematizar y usar listas de stopwords propias para no obtener fragmentos sin sentido.
- En SEO se usa para auditar contenidos, estudiar a la competencia y etiquetar grandes volúmenes de texto.
01 ¿Qué es la keyword extraction?
La disciplina nace en la recuperación de información, cuando los primeros buscadores y catálogos de bibliotecas necesitaban indexar documentos sin etiquetarlos a mano. En 1972 Karen Spärck Jones formuló la frecuencia inversa de documento (IDF), la idea de que una palabra es más significativa cuanto menos documentos la contienen, que sigue siendo la base de muchos extractores.
Conviene no confundirla con el keyword research: la extracción dice qué palabras contiene un texto; la investigación de keywords dice qué palabras escribe la gente en Google y cuántas veces. Tampoco es exactamente lo mismo que el extractor de entidades, que busca personas, marcas o lugares concretos y los enlaza a una base de conocimiento.
02 Técnicas de extracción de palabras clave
| Técnica | Tipo | Cómo funciona | Ventaja principal |
|---|---|---|---|
| Frecuencia (TF) | Estadística | Cuenta cuántas veces aparece cada término tras quitar stopwords | Trivial de calcular y de explicar |
| TF-IDF | Estadística sobre un corpus | Multiplica la frecuencia en el documento por log(N/n): penaliza las palabras que están en casi todos los documentos | Destaca lo que distingue a un texto de los demás |
| RAKE | Estadística, un solo documento | Parte el texto por stopwords y puntuación en frases candidatas y las puntúa por coocurrencia de sus palabras | Muy rápido y bueno con frases de varias palabras |
| YAKE | Estadística, un solo documento | Combina rasgos locales (posición, mayúsculas, dispersión, relación con el contexto); cuanto menor es la puntuación, más relevante | Sin entrenamiento, corpus externo ni diccionarios |
| TextRank | Grafos | Construye un grafo de palabras que aparecen juntas y aplica un algoritmo tipo PageRank | No depende de un corpus de referencia |
| KeyBERT | Embeddings | Compara el embedding del documento con el de cada n-grama por similitud del coseno | Capta el significado, no solo la frecuencia |
| LLM | Generativa | Un modelo de lenguaje lee el texto y devuelve las keywords en el formato que le pidas | Flexible y capaz de normalizar términos |
03 Métodos estadísticos frente a métodos semánticos
Estadísticos (TF-IDF, RAKE, YAKE)
Rápidos, baratos y explicables. Funcionan bien con textos técnicos, pero no saben que «portátil» y «ordenador portátil» son lo mismo.
Basados en grafos (TextRank)
Premian las palabras conectadas con muchas otras. Útiles con textos largos; menos precisos en textos cortos.
Con embeddings (KeyBERT)
Eligen las frases más cercanas en significado al documento completo. Necesitan un modelo; para español, KeyBERT recomienda uno multilingüe.
Con LLM
Entienden contexto y sinónimos, pero cuestan más por documento y pueden inventar términos que no están en el texto: hay que validarlos.
04 Cómo funciona un proceso de extracción paso a paso
-
1
Limpieza
Se extrae el texto útil de la página (sin menús, pies ni cookies) y se normalizan mayúsculas, tildes y signos.
-
2
Tokenización y stopwords
El texto se divide en palabras y se eliminan las vacías («de», «para», «que»). En español la lista debe estar en español.
-
3
Lematización
Se agrupan formas de una misma palabra («diseñar», «diseñando», «diseños») para que no compitan entre sí.
-
4
Generación de candidatos
Se forman n-gramas de 1 a 3 palabras o frases entre delimitadores, según el algoritmo.
-
5
Puntuación
Cada candidato recibe una puntuación: frecuencia ponderada, coocurrencia, centralidad en el grafo o similitud semántica.
-
6
Filtrado y revisión
Se eliminan duplicados y términos genéricos, y una persona revisa el top 10-20 antes de usarlo.
Con la librería KeyBERT basta con crear el modelo, kw = KeyBERT(model="paraphrase-multilingual-MiniLM-L12-v2"), y llamar a kw.extract_keywords(texto, keyphrase_ngram_range=(1, 3), use_mmr=True, diversity=0.5). Devuelve una lista de frases con su puntuación de similitud. Con YAKE el proceso es parecido y no necesita descargar ningún modelo.
05 Para qué sirve la keyword extraction en SEO y contenidos
Auditar tus contenidos
Comprobar si una página habla de verdad del tema para el que quieres posicionarla o si se ha desviado.
Estudiar a la competencia
Extraer los términos que repiten las páginas del top 10 y detectar subtemas que tu texto no cubre.
Etiquetar a escala
Clasificar miles de fichas de producto, artículos o tickets de soporte sin hacerlo a mano.
Preparar briefings
Dar a los redactores una lista de conceptos que el contenido debe tratar, en lugar de una keyword repetida.
El objetivo no es repetir los términos extraídos, sino cubrir el tema con la amplitud que Google espera. Obsesionarse con la densidad de palabras clave es un enfoque superado; cuenta más el campo semántico completo, algo que también trabaja el topic modeling a nivel de corpus. Si produces mucho contenido, un servicio de redacción de contenidos SEO integra este análisis en cada briefing.
06 Errores y limitaciones habituales
- ✓Usar stopwords en inglés con textos en español y obtener «de la» o «para el» como keywords.
- ✓No quitar menús, pies y avisos legales: acaban dominando la lista.
- ✓Confundir lo que dice un texto con lo que busca la gente: la extracción no aporta volumen de búsqueda.
- ✓Aceptar sin revisar lo que devuelve un LLM, que puede añadir términos ausentes del texto.
- ✓Comparar puntuaciones de algoritmos distintos: en YAKE menos es mejor; en KeyBERT, más.
07 Herramientas y librerías para extraer keywords
| Opción | Para quién | Qué necesitas |
|---|---|---|
| Librerías de Python (scikit-learn para TF-IDF, rake-nltk, yake, KeyBERT, spaCy) | Equipos técnicos o analistas con algo de código | Python y, para KeyBERT, un modelo de embeddings |
| APIs de NLP en la nube (análisis de entidades y sintaxis) | Procesos automatizados a gran escala | Una cuenta del proveedor y pago por uso |
| Herramientas SEO con análisis de contenido | Equipos de marketing sin programadores | Una suscripción y la URL o el texto a analizar |
| Un LLM con un prompt estructurado | Análisis puntuales y rápidos | Revisión humana del resultado |
La comparación práctica de herramientas, incluidas las que extraen keywords de páginas de la competencia o de Search Console, está en la ficha de herramientas de extracción de keywords. Y si después necesitas ordenar lo extraído por temas, el siguiente paso es agrupar keywords por similitud.
Preguntas frecuentes sobre Keyword extraction
Significa extracción de palabras clave: identificar de forma automática los términos y frases que mejor resumen el contenido de un texto, usando técnicas de procesamiento del lenguaje natural.
Sirve para resumir, clasificar e indexar textos a escala. En SEO se usa para auditar contenidos, analizar las páginas de la competencia y preparar briefings de redacción.
TF-IDF puntúa las palabras por su frecuencia en el documento y su rareza en un corpus; KeyBERT usa embeddings de un modelo tipo BERT y elige las frases más parecidas en significado al documento completo.
Depende del caso. YAKE y RAKE son rápidos y no necesitan entrenamiento; KeyBERT capta mejor el significado; un LLM es el más flexible pero el más caro y requiere validación.
No. La extracción te dice qué palabras hay en un texto; el keyword research te dice qué busca la gente y con qué volumen. Se complementan.
Sí, siempre que uses stopwords y lematización en español y, en métodos con embeddings, un modelo multilingüe o entrenado en español.
Las keywords son términos representativos del texto; las entidades son cosas concretas con identidad propia, como personas, marcas o lugares, que un extractor de entidades además clasifica y enlaza a una base de conocimiento.
Fuentes consultadas
Sobre el autor
Germán Gutiérrez
Development Manager en appyweb
Dirige el equipo de desarrollo de appyweb: aplicaciones web y móviles, SaaS, integraciones y arquitectura de software.
Ver perfil en LinkedIn ↗