{"id":8154,"date":"2025-09-21T05:04:55","date_gmt":"2025-09-21T05:04:55","guid":{"rendered":"https:\/\/seodemia.es\/blog\/?p=8154"},"modified":"2025-09-21T05:46:38","modified_gmt":"2025-09-21T05:46:38","slug":"creacion-de-un-sistema-de-clasificacion-para-llm-potencial-metodos-y-desafios","status":"publish","type":"post","link":"https:\/\/seodemia.es\/blog\/creacion-de-un-sistema-de-clasificacion-para-llm-potencial-metodos-y-desafios\/","title":{"rendered":"Creaci\u00f3n de un sistema de clasificaci\u00f3n para LLM: potencial, m\u00e9todos y desaf\u00edos"},"content":{"rendered":"\n<p>A medida que se generaliza&nbsp;el uso de&nbsp;<strong>Modelos de Lenguaje Grandes (LLM), como GPT-4, una de las \u00e1reas de inter\u00e9s clave es c\u00f3mo&nbsp;<\/strong><strong>clasificar<\/strong>&nbsp;las entidades, individuos, sitios web u objetos que estos modelos recomiendan. La clasificaci\u00f3n es crucial en diversos campos, ya sea para identificar a los mejores proveedores de servicios, seleccionar fuentes de informaci\u00f3n o recomendar productos.<\/p>\n\n\n\n<p>Para garantizar que los LLM brinden sugerencias precisas, confiables y significativas, es fundamental desarrollar un sistema de clasificaci\u00f3n s\u00f3lido. Tras explorar el&nbsp;<a href=\"https:\/\/seodemia.es\/blog\/analisis-exhaustivo-como-chatgpt-impulsa-la-visibilidad-y-el-branding-empresarial-con-un-muestreo-100x\/\" data-type=\"post\" data-id=\"8153\">potencial de las clasificaciones de LLM<\/a>&nbsp;, ahora demostraremos las posibilidades, los m\u00e9todos y los desaf\u00edos asociados con la creaci\u00f3n de un sistema de clasificaci\u00f3n para LLM.<\/p>\n\n\n\n<div class=\"wp-block-rank-math-toc-block\" id=\"rank-math-toc\"><h2>En este art\u00edculo<\/h2><nav><ul><li><a href=\"#por-que-necesitamos-sistemas-de-clasificacion-para-los-llm\">\u00bfPor qu\u00e9 necesitamos sistemas de clasificaci\u00f3n para los LLM?<\/a><\/li><li><a href=\"#metodos-de-clasificacion-potenciales\">M\u00e9todos de clasificaci\u00f3n potenciales<\/a><\/li><li><a href=\"#desafios-en-los-sistemas-de-clasificacion-para-los-llm\">Desaf\u00edos en los sistemas de clasificaci\u00f3n para los LLM<\/a><\/li><li><a href=\"#posibilidades-futuras-de-los-sistemas-de-clasificacion-de-llm\">Posibilidades futuras de los sistemas de clasificaci\u00f3n de LLM<\/a><\/li><\/ul><\/nav><\/div>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"por-que-necesitamos-sistemas-de-clasificacion-para-los-llm\">\u00bfPor qu\u00e9 necesitamos sistemas de clasificaci\u00f3n para los LLM?<\/h2>\n\n\n\n<p>Los LLM, como el GPT-4, son&nbsp;<strong>modelos probabil\u00edsticos<\/strong>&nbsp;que generan respuestas basadas en patrones aprendidos de grandes cantidades de datos. Sin embargo, las respuestas no son deterministas, lo que significa que una misma pregunta podr\u00eda generar respuestas diferentes en m\u00faltiples iteraciones. Esta variabilidad dificulta la toma de decisiones bas\u00e1ndose en un \u00fanico resultado. Un sistema de clasificaci\u00f3n ayuda a resolver este problema mediante:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li><strong>Frecuencia de seguimiento<\/strong>&nbsp;: nos permite determinar qu\u00e9 entidades (sitios web, personas, empresas, etc.) aparecen con mayor frecuencia en m\u00faltiples ejecuciones del modelo, lo que nos da una idea de qu\u00e9 entidades favorece constantemente el modelo.<\/li>\n\n\n\n<li><strong>Medici\u00f3n de la confianza<\/strong>&nbsp;: Un sistema de clasificaci\u00f3n puede ayudar a medir la&nbsp;<strong>certeza<\/strong>&nbsp;o&nbsp;<strong>variabilidad<\/strong>&nbsp;de los resultados del modelo. Por ejemplo, incluso si una entidad aparece con frecuencia, podemos usar intervalos de confianza para evaluar si su clasificaci\u00f3n es estable o est\u00e1 sujeta a fluctuaciones significativas.<\/li>\n\n\n\n<li><strong>Garantizar la relevancia<\/strong>&nbsp;: si bien los LLM pueden generar respuestas precisas, es fundamental garantizar que las entidades que se clasifican no solo sean frecuentes, sino tambi\u00e9n&nbsp;<strong>contextualmente relevantes<\/strong>&nbsp;para la consulta.<\/li>\n<\/ol>\n\n\n\n<p>Un sistema de clasificaci\u00f3n bien dise\u00f1ado es vital para aprovechar los resultados del LLM en diversos dominios, desde asistentes personales y motores de recomendaci\u00f3n hasta resultados de b\u00fasqueda y sugerencias de servicios.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"metodos-de-clasificacion-potenciales\">M\u00e9todos de clasificaci\u00f3n potenciales<\/h2>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Clasificaci\u00f3n basada en frecuencia<\/li>\n<\/ol>\n\n\n\n<p>El m\u00e9todo m\u00e1s sencillo e intuitivo para clasificar las entidades devueltas por un LLM se basa en&nbsp;<strong>la frecuencia<\/strong>&nbsp;: la frecuencia con la que una entidad aparece en las respuestas del modelo en m\u00faltiples iteraciones. Por ejemplo, si un usuario pide a GPT-4 que recomiende al mejor dentista de Nueva York, y&nbsp;<strong>el Dr. Patel<\/strong>&nbsp;aparece en 8 de 10 respuestas, mientras que&nbsp;<strong>el Dr. Smith<\/strong>&nbsp;aparece en 6 de 10, el Dr. Patel obtendr\u00eda una mejor clasificaci\u00f3n.<\/p>\n\n\n\n<p><strong>Pasos para implementar la clasificaci\u00f3n basada en frecuencia:<\/strong><\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li><strong>Ejecute el modelo varias veces<\/strong>&nbsp;con las mismas indicaciones o con indicaciones ligeramente diferentes (por ejemplo, 10 o 20 iteraciones).<\/li>\n\n\n\n<li><strong>Realice un seguimiento de la frecuencia<\/strong>&nbsp;de aparici\u00f3n de cada entidad en todas las iteraciones.<\/li>\n\n\n\n<li><strong>Normalice la frecuencia<\/strong>&nbsp;utilizando una t\u00e9cnica de normalizaci\u00f3n m\u00ednima-m\u00e1xima, que escala la frecuencia a un rango de 0 a 1, donde 1 es la entidad que aparece con mayor frecuencia.<\/li>\n\n\n\n<li><strong>Clasifique las entidades<\/strong>&nbsp;seg\u00fan sus frecuencias normalizadas, donde la frecuencia m\u00e1s alta corresponde al rango m\u00e1s alto.<\/li>\n<\/ol>\n\n\n\n<p><strong>Ventajas<\/strong>&nbsp;:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Simplicidad<\/strong>&nbsp;: El m\u00e9todo es f\u00e1cil de entender e implementar. Es una medida directa de la frecuencia con la que el modelo devuelve una entidad.<\/li>\n\n\n\n<li><strong>Transparencia<\/strong>&nbsp;: La clasificaci\u00f3n refleja lo que realmente produce el modelo, lo que proporciona claridad al usuario.<\/li>\n<\/ul>\n\n\n\n<p><strong>Desaf\u00edos<\/strong>&nbsp;:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Sin medida de certeza<\/strong>&nbsp;: la frecuencia por s\u00ed sola no indica cu\u00e1n seguro est\u00e1 el modelo acerca de la exactitud de la entidad.<\/li>\n\n\n\n<li><strong>Sesgos en los datos de entrenamiento<\/strong>&nbsp;: los LLM est\u00e1n influenciados por sus datos de entrenamiento, que pueden favorecer ciertas entidades debido a sesgos en el conjunto de datos subyacente.<\/li>\n<\/ul>\n\n\n\n<ol start=\"2\" class=\"wp-block-list\">\n<li>Incorporaci\u00f3n de intervalos de confianza<\/li>\n<\/ol>\n\n\n\n<p>Si bien la clasificaci\u00f3n basada en frecuencia proporciona un m\u00e9todo b\u00e1sico de clasificaci\u00f3n, no tiene en cuenta la&nbsp;<strong>incertidumbre<\/strong>&nbsp;en las predicciones del modelo. Para abordar esto, podemos introducir&nbsp;<strong>intervalos de confianza<\/strong>&nbsp;. Un intervalo de confianza mide la variabilidad de las predicciones del modelo y proporciona un rango dentro del cual esperamos que se encuentre la frecuencia real de una entidad.<\/p>\n\n\n\n<p>Por ejemplo, si el Dr. Patel aparece en el 80% de las respuestas pero con un amplio intervalo de confianza del 50% al 90%, el modelo podr\u00eda estar menos seguro acerca de la clasificaci\u00f3n del Dr. Patel que acerca del Dr. Smith, quien aparece en el 70% de las respuestas pero con un intervalo de confianza m\u00e1s estrecho del 65% al \u200b\u200b75%.<\/p>\n\n\n\n<p><strong>Pasos para incorporar intervalos de confianza<\/strong>&nbsp;:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li><strong>Calcula la probabilidad estimada<\/strong>&nbsp;de que aparezca cada entidad en funci\u00f3n de su frecuencia.<\/li>\n\n\n\n<li><strong>Calcule la desviaci\u00f3n est\u00e1ndar<\/strong>&nbsp;para medir la incertidumbre en la probabilidad estimada.<\/li>\n\n\n\n<li><strong>Utilizar una f\u00f3rmula de intervalo de confianza<\/strong>&nbsp;(como un intervalo de confianza del 95%) para evaluar nuestra certeza sobre la estimaci\u00f3n de frecuencia. Esto nos ayuda a determinar si la apariencia de una entidad es fiable o si fluct\u00faa significativamente entre ejecuciones.<\/li>\n<\/ol>\n\n\n\n<p><strong>Ventajas<\/strong>&nbsp;:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Cuantifica la certeza<\/strong>&nbsp;: los intervalos de confianza proporcionan una medida estad\u00edstica de cu\u00e1n confiable es la clasificaci\u00f3n basada en frecuencia.<\/li>\n\n\n\n<li><strong>Reduce el ruido<\/strong>&nbsp;: ayuda a distinguir entre entidades que aparecen consistentemente de aquellas que aparecen espor\u00e1dicamente debido a variaciones aleatorias.<\/li>\n<\/ul>\n\n\n\n<p><strong>Desaf\u00edos<\/strong>&nbsp;:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Tama\u00f1o de muestra peque\u00f1o<\/strong>&nbsp;: con solo unas pocas iteraciones, los intervalos de confianza pueden ser demasiado amplios para ser significativos, lo que hace que sea dif\u00edcil confiar en la clasificaci\u00f3n.<\/li>\n\n\n\n<li><strong>Complejidad<\/strong>&nbsp;: agregar c\u00e1lculos estad\u00edsticos como intervalos de confianza puede hacer que el sistema sea m\u00e1s dif\u00edcil de explicar y comprender para los usuarios finales.<\/li>\n<\/ul>\n\n\n\n<ol start=\"3\" class=\"wp-block-list\">\n<li>Promedio de la confianza interna del GPT-4<\/li>\n<\/ol>\n\n\n\n<p>Otro m\u00e9todo de clasificaci\u00f3n consiste en aprovechar&nbsp;<strong>las puntuaciones de confianza interna de GPT-4<\/strong>&nbsp;(las probabilidades que asigna a cada token o entidad durante la generaci\u00f3n de respuestas). Al promediar la confianza interna del modelo en m\u00faltiples ejecuciones, podemos obtener una idea del nivel de confianza promedio de GPT-4 sobre una entidad espec\u00edfica.<\/p>\n\n\n\n<p><strong>Pasos para utilizar la confianza interna de GPT-4<\/strong>&nbsp;:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li><strong>Registre la probabilidad interna<\/strong>&nbsp;que GPT-4 asigna a cada entidad en cada respuesta.<\/li>\n\n\n\n<li><strong>Promedia estas probabilidades<\/strong>&nbsp;en m\u00faltiples ejecuciones para obtener un puntaje de confianza general para cada entidad.<\/li>\n\n\n\n<li><strong>Clasifique las entidades<\/strong>&nbsp;en funci\u00f3n de su confianza interna promedio; los puntajes de confianza m\u00e1s altos corresponden a clasificaciones m\u00e1s altas.<\/li>\n<\/ol>\n\n\n\n<p><strong>Ventajas<\/strong>&nbsp;:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Refleja la creencia del modelo<\/strong>&nbsp;: el m\u00e9todo captura directamente el razonamiento interno del modelo sobre qu\u00e9 entidad tiene m\u00e1s probabilidades de ser correcta.<\/li>\n\n\n\n<li><strong>Captura informaci\u00f3n probabil\u00edstica<\/strong>&nbsp;: la confianza interna de GPT-4 es una medida de su propia certeza sobre sus predicciones.<\/li>\n<\/ul>\n\n\n\n<p><strong>Desaf\u00edos<\/strong>&nbsp;:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Sesgo del modelo<\/strong>&nbsp;: la confianza interna de GPT-4 podr\u00eda verse influenciada por sesgos en sus datos de entrenamiento, lo que genera un exceso de confianza en ciertas entidades que no son necesariamente las mejores.<\/li>\n\n\n\n<li><strong>Sin validaci\u00f3n en el mundo real<\/strong>&nbsp;: una alta confianza interna no significa necesariamente que la entidad sea la mejor opci\u00f3n en el mundo real.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"desafios-en-los-sistemas-de-clasificacion-para-los-llm\">Desaf\u00edos en los sistemas de clasificaci\u00f3n para los LLM<\/h2>\n\n\n\n<p>Si bien los m\u00e9todos descritos ofrecen diversas maneras de clasificar las entidades producidas por los LLM, hay&nbsp;<strong>varios desaf\u00edos<\/strong>&nbsp;que deben abordarse para garantizar un sistema de clasificaci\u00f3n s\u00f3lido:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li><strong>Variabilidad inmediata<\/strong><\/li>\n<\/ol>\n\n\n\n<p>Uno de los mayores desaf\u00edos es la&nbsp;<strong>variabilidad de las preguntas<\/strong>&nbsp;. Incluso peque\u00f1os cambios en la redacci\u00f3n de una consulta pueden generar respuestas radicalmente diferentes. Por ejemplo, preguntar \u00ab\u00bfQui\u00e9n es el mejor dentista de Nueva York?\u00bb frente a \u00ab\u00bfLos mejores dentistas de Nueva York?\u00bb podr\u00eda generar diferentes conjuntos de entidades. Esta variabilidad afecta el recuento de frecuencias, lo que podr\u00eda distorsionar las clasificaciones.<\/p>\n\n\n\n<p><strong>Posible soluci\u00f3n<\/strong>&nbsp;: Para minimizar la variabilidad relacionada con las indicaciones,&nbsp;<strong>estandarice las indicaciones<\/strong>&nbsp;o utilice&nbsp;<strong>pruebas de diversidad de indicaciones<\/strong>&nbsp;, donde se ejecutan m\u00faltiples variaciones de la indicaci\u00f3n y se promedian los resultados. Esto reduce el impacto de cualquier indicaci\u00f3n y garantiza resultados m\u00e1s consistentes en todas las consultas.<\/p>\n\n\n\n<ol start=\"2\" class=\"wp-block-list\">\n<li><strong>Capacidades del navegador web<\/strong><\/li>\n<\/ol>\n\n\n\n<p>Cuando un LLM se integra con funciones de navegaci\u00f3n web, los resultados pueden variar seg\u00fan&nbsp;<strong>el contenido din\u00e1mico<\/strong>&nbsp;,&nbsp;<strong>las preferencias regionales<\/strong>&nbsp;o&nbsp;<strong>factores SEO<\/strong>&nbsp;. La misma consulta puede generar resultados diferentes seg\u00fan el estado actual de la web, lo que afecta la estabilidad del sistema de posicionamiento.<\/p>\n\n\n\n<p><strong>Posible soluci\u00f3n<\/strong>&nbsp;: Implementar&nbsp;<strong>la agregaci\u00f3n de resultados basada en el tiempo<\/strong>&nbsp;o&nbsp;<strong>el almacenamiento en cach\u00e9 de resultados web<\/strong>&nbsp;para garantizar que los datos web utilizados se mantengan consistentes en m\u00faltiples iteraciones. Al limitar la variabilidad introducida por la navegaci\u00f3n en tiempo real, el sistema de clasificaci\u00f3n puede generar resultados m\u00e1s estables.<\/p>\n\n\n\n<ol start=\"3\" class=\"wp-block-list\">\n<li><strong>Equilibrar la frecuencia con la confianza<\/strong><\/li>\n<\/ol>\n\n\n\n<p>Un desaf\u00edo clave al crear un sistema de clasificaci\u00f3n para LLM es encontrar el equilibrio adecuado entre&nbsp;<strong>la frecuencia<\/strong>&nbsp;(la frecuencia con la que aparece una entidad) y&nbsp;<strong>la confianza<\/strong>&nbsp;(la certeza del modelo respecto a sus predicciones). La frecuencia por s\u00ed sola puede favorecer a las entidades que aparecen con frecuencia, pero son de menor calidad, mientras que confiar demasiado en la confianza podr\u00eda dar un peso excesivo a las creencias internas del modelo.<\/p>\n\n\n\n<p><strong>Soluci\u00f3n potencial<\/strong>&nbsp;: Se puede utilizar una&nbsp;<strong>combinaci\u00f3n ponderada<\/strong>&nbsp;de frecuencia, intervalos de confianza y confianza promedio GPT-4 para crear un sistema de clasificaci\u00f3n m\u00e1s equilibrado. Al permitir que estos componentes se complementen, el sistema puede generar clasificaciones frecuentes y fiables.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"posibilidades-futuras-de-los-sistemas-de-clasificacion-de-llm\">Posibilidades futuras de los sistemas de clasificaci\u00f3n de LLM<\/h2>\n\n\n\n<p>A medida que los LLM evolucionen, tambi\u00e9n lo har\u00e1n los sistemas de clasificaci\u00f3n que los acompa\u00f1an. A continuaci\u00f3n, se presentan algunas posibilidades de mejora para el futuro:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li><strong>Integraci\u00f3n de la retroalimentaci\u00f3n del usuario<\/strong>&nbsp;: Incorporar&nbsp;<strong>la retroalimentaci\u00f3n del usuario<\/strong>&nbsp;al sistema de clasificaci\u00f3n puede ayudar a optimizar las clasificaciones con el tiempo. Los usuarios pueden proporcionar retroalimentaci\u00f3n sobre la calidad de los resultados, lo cual permite ajustar la ponderaci\u00f3n asignada a la frecuencia, la confianza y otros factores.<\/li>\n\n\n\n<li><strong>Aprendizaje por refuerzo<\/strong>&nbsp;: En el futuro, los sistemas de clasificaci\u00f3n podr\u00edan mejorarse mediante&nbsp;<strong>el aprendizaje por refuerzo<\/strong>&nbsp;, donde el modelo aprende a ajustar sus resultados en funci\u00f3n del \u00e9xito de clasificaciones anteriores. Esto permitir\u00eda al modelo mejorar sus recomendaciones din\u00e1micamente.<\/li>\n\n\n\n<li><strong>Sistemas de clasificaci\u00f3n espec\u00edficos de cada dominio<\/strong>&nbsp;: Cada dominio puede requerir diferentes enfoques de clasificaci\u00f3n. Por ejemplo, en el \u00e1mbito sanitario, las opiniones de los usuarios y los reconocimientos profesionales podr\u00edan ser m\u00e1s importantes que la simple frecuencia. Los sistemas futuros podr\u00edan incorporar&nbsp;<strong>conocimientos espec\u00edficos del dominio<\/strong>&nbsp;en el proceso de clasificaci\u00f3n.<\/li>\n<\/ol>\n\n\n\n<p>Si est\u00e1 interesado en ver c\u00f3mo podr\u00edan lucir potencialmente las clasificaciones LLM, consulte nuestro estudio detallado&nbsp;<a href=\"https:\/\/seodemia.es\/blog\/analisis-exhaustivo-como-chatgpt-impulsa-la-visibilidad-y-el-branding-empresarial-con-un-muestreo-100x\/\" data-type=\"post\" data-id=\"8153\">de clasificaciones ChatGPT.<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>A medida que se generaliza&nbsp;el uso de&nbsp;Modelos de Lenguaje Grandes (LLM), como GPT-4, una de las \u00e1reas de inter\u00e9s clave es c\u00f3mo&nbsp;clasificar&nbsp;las entidades, individuos, sitios web u objetos que estos modelos recomiendan. La clasificaci\u00f3n es crucial en diversos campos, ya sea para identificar a los mejores proveedores de servicios, seleccionar fuentes de informaci\u00f3n o recomendar [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":8156,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[25,29,1],"tags":[664,658,67,230,76,656,657,654,662,661,660,659,655,665,663],"class_list":["post-8154","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ia","category-blogging","category-varios","tag-automatizacion-marketing","tag-desafios-llm","tag-inteligencia-artificial","tag-llm","tag-machine-learning","tag-marketing-digital-2025","tag-metodos-clasificacion-ia","tag-modelos-de-lenguaje","tag-optimizacion-de-contenido-ia","tag-pln","tag-procesamiento-de-lenguaje-natural","tag-seo-con-inteligencia-artificial","tag-sistema-de-clasificacion-llm","tag-tecnologia-marketing-digital","tag-tendencias-ia-2025"],"_links":{"self":[{"href":"https:\/\/seodemia.es\/blog\/wp-json\/wp\/v2\/posts\/8154","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/seodemia.es\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/seodemia.es\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/seodemia.es\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/seodemia.es\/blog\/wp-json\/wp\/v2\/comments?post=8154"}],"version-history":[{"count":0,"href":"https:\/\/seodemia.es\/blog\/wp-json\/wp\/v2\/posts\/8154\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/seodemia.es\/blog\/wp-json\/wp\/v2\/media\/8156"}],"wp:attachment":[{"href":"https:\/\/seodemia.es\/blog\/wp-json\/wp\/v2\/media?parent=8154"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/seodemia.es\/blog\/wp-json\/wp\/v2\/categories?post=8154"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/seodemia.es\/blog\/wp-json\/wp\/v2\/tags?post=8154"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}