Co-occurrence

Ce que mesure vraiment la cooccurrence

Deux unités lexicales sont en cooccurrence quand elles apparaissent ensemble dans un même empan de texte : une phrase, un énoncé, un paragraphe, ou une fenêtre glissante de n mots. La définition tient en une ligne, le travail commence juste après. Quel empan ? Quel corpus ? Et à partir de quel écart à la fréquence attendue l'apparition simultanée cesse d'être un accident statistique ? Dans un corpus de presse française, « ministre » et « déclaré » cooccurrent des milliers de fois sans que le couple porte le moindre sens : c'est du bruit de fréquence, pas une association lexicale.

C'est là que la distinction que les pages de définition escamotent devient utile. La cooccurrence est le fait brut, mesurable, symétrique : deux mots se retrouvent dans le même empan. La collocation est un sous-ensemble qualifié : une cooccurrence privilégiée, statistiquement surreprésentée et perçue comme telle par les locuteurs, du type « peser le pour et le contre » ou « prendre une décision ». Un dictionnaire des cooccurrences, celui d'Antidote par exemple, ne liste pas toutes les cooccurrences d'un mot, il ne retient que celles que la mesure d'association fait ressortir au-dessus du bruit. L'association textuelle, elle, est une notion plus large en analyse du discours : elle couvre aussi les liens entre segments non contigus, entre thèmes, entre acteurs d'un énoncé, sans exiger la contiguïté lexicale.

Un troisième terme circule dans le vocabulaire SEO et brouille tout : la co-citation. Elle désigne deux entités citées dans un même document, souvent deux marques dans un comparatif. C'est un cas particulier de cooccurrence appliqué à des entités nommées plutôt qu'à des mots communs. Utile, mais ne mélangez pas les deux dans un rapport : l'une se mesure sur des unités lexicales dans un corpus textuel, l'autre sur un graphe d'entités.

Retenez le point qui structure tout le reste : une cooccurrence n'a pas de valeur absolue. Elle n'existe que relativement à un corpus, un empan et une mesure. Trois paramètres qu'un audit sérieux écrit noir sur blanc.

De la lexicométrie française au moteur de recherche

La notion vient de la linguistique de corpus et de la lexicométrie, discipline où l'école française a beaucoup produit. Maurice Tournier sur le vocabulaire politique, Jean-Marie Viprey sur la textométrie et la structure lexicale des textes littéraires : le travail a consisté à traiter le texte comme une matrice de fréquences dont on extrait des spécificités, plutôt que comme une suite d'énoncés à interpréter à la main. L'hypothèse distributionnelle qui la sous-tend est plus ancienne encore : le sens d'un mot se déduit de la distribution de ses voisins.

Cette hypothèse est exactement celle sur laquelle reposent les modèles de langue. Un embedding, c'est une factorisation sophistiquée d'une matrice de cooccurrence. Les modèles de type transformeur ont remplacé la fenêtre fixe par une attention apprise, mais le matériau reste le même : quels termes apparaissent dans le voisinage de quels autres, à quelle fréquence, dans quel contexte. Quand vous lisez que un modèle comprend le contexte d'une requête, la mécanique en dessous est une généralisation de la cooccurrence.

Côté SEO, il faut être franc sur un point : la cooccurrence a longtemps été vendue comme un facteur de classement autonome, un moyen de se positionner sans backlink en faisant simplement apparaître sa marque à côté de ses mots-clés. Cette lecture n'a jamais été documentée par Google, et elle ne l'est pas davantage en 2026. La ressource publiée par Google Search Central le 15 mai 2026 sur l'optimisation pour les fonctionnalités génératives réaffirme l'inverse : contenu unique et non commoditisé, et les bonnes pratiques SEO classiques comme socle. Aucun score de cooccurrence, aucun rapport sur les mentions non liées.

Ce qui a changé, ce n'est pas le statut de facteur de classement, c'est l'usage analytique. La cooccurrence est devenue un outil de diagnostic sémantique exploitable, parce que les corpus sont accessibles et que les moteurs génératifs, eux, reconstruisent explicitement des associations d'entités.

Calculer une matrice de cooccurrence sur un corpus

Le calcul est mécanique. Vous fixez un empan, vous parcourez le corpus, et vous remplissez une matrice carrée dont les lignes et les colonnes sont le vocabulaire retenu : la cellule (i, j) compte le nombre de fois où les unités i et j se retrouvent dans le même empan. Sur une phrase courte, l'exercice se fait à la main et se comprend en deux minutes.

La construction pas à pas sur une phrase unique, si vous voulez voir la matrice se remplir :

Trois décisions font toute la différence entre une matrice exploitable et une bouillie. La lemmatisation d'abord : sans elle, « lien », « liens » et « liés » occupent trois lignes distinctes et diluent le signal. La liste de mots vides ensuite, à adapter au français et au domaine, sinon les prépositions saturent les scores. L'empan enfin : une fenêtre de deux mots capte les collocations grammaticales, une fenêtre de dix à quinze mots capte des associations thématiques, la phrase entière capte la structure de l'énoncé. Il n'y a pas de bon réglage universel, il y a un réglage cohérent avec la question posée.

Vient ensuite la mesure d'association, qui transforme un comptage brut en spécificité. Le log-likelihood compare la fréquence observée du couple à la fréquence attendue sous hypothèse d'indépendance ; il est robuste sur les couples fréquents et supporte mal les effectifs minuscules. L'information mutuelle fait l'inverse : elle fait remonter les couples rares mais très exclusifs, ce qui est précieux pour repérer un vocabulaire de niche et catastrophique si vous ne posez pas un seuil de fréquence minimale, typiquement cinq occurrences. En textométrie française, on croise volontiers les deux et on lit l'intersection.

La mise en contexte de ces matrices dans une chaîne de traitement automatique des langues, à côté du sac de mots et du TF-IDF :

Pour l'outillage sur du français, deux logiciels de lexicométrie couvrent l'essentiel des besoins d'un consultant : TXM, qui gère l'annotation et les requêtes sur corpus structuré, et IRaMuTeQ, plus rapide à prendre en main pour des classifications et des graphes de cooccurrences. En Python, spaCy pour la lemmatisation française et une matrice construite à la main sur des compteurs suffisent largement ; inutile de sortir une bibliothèque lourde pour un corpus de quelques milliers de textes. Et pour vérifier une intuition sur une collocation isolée, le dictionnaire des cooccurrences d'Antidote reste plus rapide que n'importe quel script.

Un exemple parlant sur un corpus français : le mot « développement ». Ses cooccurrents les plus spécifiques dans un corpus institutionnel sont « durable », « économique », « territorial », « agenda » ; dans un corpus de ressources humaines, ce sont « compétences », « personnel », « parcours », « entretien ». Le mot est le même, le champ sémantique reconstruit par les cooccurrences est autre. C'est cette sensibilité au corpus qui rend la mesure utile : elle révèle dans quel univers de discours une expression est employée, ce que ni le volume de recherche ni la densité de mots-clés ne montrent.

Cooccurrence et moteurs génératifs : ce que disent les données 2026

C'est du côté des réponses génératives que la cooccurrence est passée du statut de curiosité linguistique à celui de variable opérationnelle. L'étude Ahrefs sur 75 000 marques, publiée sur leur blog, mesure une corrélation de Spearman de 0,664 entre les mentions web de marque et la visibilité dans les AI Overviews, contre 0,218 pour les backlinks, 0,295 pour les domaines référents, 0,326 pour le Domain Rating et 0,527 pour les ancres de marque. Ahrefs précise explicitement que la corrélation n'établit pas la causalité, et leur lecture du résultat vise juste : un modèle de langue construit sa compréhension d'une marque à partir des mots de la page, de la prévalence lexicale, des termes et sujets cooccurrents et du contexte.

L'écart de visibilité selon la fréquence de mention est net dans cette même étude : les marques du quartile supérieur en mentions web totalisent en moyenne 169 mentions en AI Overviews, contre 14 pour le quartile suivant et zéro à trois pour les deux quartiles inférieurs. Environ 26 % des marques analysées n'obtiennent aucune mention en AI Overviews. L'échantillon est filtré sur des domaines au DR supérieur à 40, ce qui borne la portée du résultat.

Une visualisation de réseau de cooccurrences, telle qu'on la construit en analyse du discours ou en bibliométrie, aide à lire ce type de structure :

Le contexte de surface a lui aussi bougé. L'étude Semrush sur les AI Overviews mise à jour le 15 décembre 2025, portant sur plus de 10 millions de mots-clés, montre une présence passée de 6,49 % des requêtes suivies en janvier 2025 à un pic de 24,61 % en juillet, puis 15,69 % en novembre 2025, avec un élargissement marqué des intentions : le commercial monte de 8,15 % à 18,57 %, le transactionnel de 1,98 % à 13,94 %. Autrement dit, les associations de marque comptent désormais aussi sur des requêtes d'achat, pas seulement sur de l'informationnel. Côté clics, l'étude Seer Interactive relayée par Search Engine Land mesure un CTR organique tombant de 1,76 % à 0,61 % en présence d'un AI Overview, soit environ 61 % de moins, sur 3 119 requêtes informationnelles et 25,1 millions d'impressions.

Depuis le 3 juin 2026, Google expose dans la Search Console des rapports dédiés à la visibilité dans les fonctionnalités génératives, AI Overviews et AI Mode, avec impressions, URL, pays et appareils. C'est le seul chemin de mesure officiel pour ce type de travail : vous comparez des mentions gagnées et des modifications de contenu à des impressions en fonctionnalité génération. Rien de plus, et surtout pas un score de cooccurrence. Si votre objectif est précisément de faire exister votre marque dans le vocabulaire de votre catégorie, c'est ce couple mentions gagnées / impressions génératives qu'il faut instrumenter, et lire en tenant compte du déploiement de sous-requêtes que le moteur effectue avant de répondre.

Piloter la cooccurrence dans une opération de netlinking

La conséquence pratique est simple à énoncer et coûteuse à appliquer : dans un article de netlinking, ce qui travaille n'est pas seulement l'ancre, c'est le paragraphe qui l'accueille. Une ancre de marque posée dans un texte qui ne nomme jamais la catégorie, l'usage, le segment de clientèle ni les alternatives ne construit aucune association exploitable. Le même lien, entouré du vocabulaire réel du marché, fait deux choses à la fois : il transmet de l'autorité et il inscrit l'entité dans un voisinage lexical.

Cela se pilote au brief, et nulle part ailleurs. Nous opérons des médias éditoriaux français en propre, et le seul étage où la cooccurrence se décide vraiment est celui de la consigne de rédaction : quels termes de catégorie doivent apparaître dans le corps, quels cas d'usage, quels comparatifs, quelles unités de mesure du secteur. C'est aussi pour cela qu'une plateforme d'achat au numéro produit rarement cet effet : le lien est livré, le contexte est laissé au hasard de l'auteur. Sur des thématiques où l'association compte, mieux vaut choisir ses supports dans un catalogue public et écrire le brief soi-même que déléguer les deux à un intermédiaire.

L'industrie a d'ailleurs basculé dans cette direction. L'enquête Editorial.Link du 25 mars 2026 auprès de 518 professionnels du SEO place le digital PR en tête des tactiques jugées les plus efficaces avec 48,6 %, devant le guest posting à 16 % ; 73,2 % estiment que les backlinks influencent les chances d'apparaître en recherche IA et 80,9 % que les mentions de marque non liées affectent le classement organique. Ce dernier chiffre est une croyance de marché, pas une preuve causale, et il faut le présenter comme tel à un client. À noter aussi : 67,2 % des répondants citent la faible pertinence thématique comme signal d'alerte sur un placement, ce qui est exactement la lecture cooccurrentielle du problème.

Pour une campagne, la traduction est un plan de vocabulaire autant qu'un plan de liens : la liste des termes qui doivent accompagner la marque, répartie sur les supports, avec une répartition d'ancres qui reste naturelle. C'est la partie du travail qu'on calibre sur plusieurs mois avec le client, parce qu'elle suppose de connaître son marché mieux que le rédacteur ne le connaîtra jamais seul.

Erreurs fréquentes en audit

La confusion la plus répandue assimile cooccurrence et densité lexicale. Répéter dix fois « assurance emprunteur » dans un texte n'installe aucune cooccurrence, cela installe une redondance. Ce qui compte, c'est la diversité des voisins pertinents autour de l'unité cible, pas la fréquence de l'unité elle-même. Les scripts de recommandation qui sortent une liste de termes à caser tel nombre de fois reproduisent cette erreur à l'échelle industrielle.

Vient ensuite le corpus trop petit. Une matrice calculée sur trente articles ne mesure pas un champ sémantique, elle mesure les tics d'écriture de deux ou trois rédacteurs. En dessous de quelques centaines de milliers de mots, les résultats du top d'une liste de cooccurrents changent d'un échantillon à l'autre : c'est le signe qu'il faut élargir le corpus, pas ajuster le seuil.

Troisième piège, l'information mutuelle appliquée sans plancher de fréquence. Un couple apparu deux fois, toujours ensemble, obtient un score spectaculaire et remonte en tête de liste. On l'a vu produire des recommandations éditoriales entières bâties sur des coquilles et des noms propres cités une seule fois.

Le quatrième est méthodologique et concerne directement les rapports que nous lisons chez des concurrents : présenter la corrélation Ahrefs comme une causalité. Écrire qu'une mention non liée « transmet de l'autorité » va au-delà de ce que l'étude établit, et Ahrefs le dit lui-même. La formulation défendable est plus modeste : les marques bien insérées dans le vocabulaire de leur catégorie sont plus visibles dans les réponses génératives, sans qu'on sache encore démonter la chaîne causale.

Enfin, l'oubli de l'empan dans la restitution. Une liste de cooccurrents sans mention de la fenêtre utilisée n'est pas reproductible, donc n'est pas un livrable. Deux consultants sur le même corpus avec une fenêtre de 3 et une fenêtre de 15 produiront deux réseaux sémantiques différents, tous les deux corrects, et une réunion inutile.