Comparer le sens de deux phrases avec de simples mots-clés atteint vite ses limites : « tarif d’hébergement » et « prix d’un plan d’hébergement » ne partagent presque aucun mot mais parlent de la même chose. Un embedding contourne ce problème en transformant un texte en un vecteur, une liste de quelques centaines ou milliers de nombres, positionné dans un espace où la proximité géométrique reflète la proximité de sens.
Où ça intervient autour de WordPress
Les embeddings sont la brique de base d’une recherche « sémantique » ou d’un système RAG appliqué au contenu d’un site WordPress : chaque article est transformé en vecteur (via l’API d’un fournisseur de LLM), stocké dans une base vectorielle, puis comparé au vecteur d’une question posée par un visiteur pour retrouver les articles les plus pertinents, même sans mot-clé commun. Certaines extensions de recherche ou de chatbot IA pour WordPress s’appuient sur ce principe plutôt que sur la recherche par mots-clés native de WordPress.
Exemple
"chat" -> [0.021, -0.183, 0.402, ...]
"félin" -> [0.019, -0.176, 0.395, ...] (vecteur proche)
"voiture" -> [0.512, 0.087, -0.241, ...] (vecteur éloigné)Bon à savoir
- Un embedding n’est pas lisible par un humain : ce sont des coordonnées dans un espace abstrait, utiles au calcul, pas à l’inspection directe.
- La proximité entre deux vecteurs se mesure le plus souvent avec la similarité cosinus, une formule qui compare l’angle entre deux vecteurs plutôt que leur distance brute.
- La recherche native de WordPress (
WP_Querysur les mots) reste plus rapide et ne demande aucune infrastructure supplémentaire ; les embeddings ont un coût de mise en place à mettre en balance avec le gain de pertinence attendu.