Réponse aux questions sur le graphique des connaissances

Publié: 2023-01-25

Qu'est-ce que la fonctionnalité de réponse aux questions du Knowledge Graph de Google ?

La réponse aux questions du graphe de connaissances (KGQA) prend beaucoup de place dans les pages de résultats des moteurs de recherche (SERP).

La fonctionnalité de réponse aux questions du Knowledge Graph de Google répond aux requêtes des utilisateurs sans les obliger à cliquer sur un site Web.

Chaque moteur de recherche espère renvoyer les meilleures informations en fonction de l'intention du chercheur. Pour être une source fiable de réponses, vous devez être connu en ligne. Google comprend les flux de requêtes et les utilise pour identifier les sujets et extraire des données fiables du Web afin de mettre à jour les ontologies. Les cartes Google, les graphes de connaissances (KG) et les collections de connaissances permettent aux utilisateurs d'interagir avec Google. Comme les questions «les gens posent aussi» sur les résultats de recherche, la réponse aux questions du Knowledge Graph permet aux gens de rester plus longtemps sur les SERP de Google.

Table des matières

  • Qu'est-ce que la fonctionnalité de réponse aux questions du Knowledge Graph de Google ?
    • Quelle est la différence entre les panneaux de connaissances et les graphiques de connaissances ?
    • Quelle est la différence entre les panneaux de connaissances et les profils d'entreprise Google ?
    • Quelle est la différence entre le Knowledge Panel de Google et le Knowledge Vault ?
  • Répondre à des questions complexes avec l'apprentissage automatique
  • Comment créer un contenu de réponse aux questions que Google trouve utile
  • Les Knowledge Graphs répondent aux questions liées aux données
  • Étapes pour l'optimisation des réponses aux questions KG
  • Comment demander une mise à jour du panneau de connaissances Google ?
  • Les KG de réponse aux questions cherchent à fournir des connaissances vérifiées

Établissons d'abord un vocabulaire de base.

Quelle est la différence entre les panneaux de connaissances et les graphiques de connaissances ?

Des graphes de connaissances peuvent être sourcés pour fournir des panneaux de connaissances plus riches dans les résultats de recherche et renvoyer des réponses aux requêtes.

Il est utile de voir les panneaux de connaissances comme une manifestation frontale du Google Knowledge Graph. Plus de données sont derrière ce que nous voyons dans les données du graphique de panel. Une fois que vous aurez créé une entité Knowledge Graph, Google s'appuiera sur elle et la considérera comme une source d'informations canonique. Le géant de la technologie n'a pas inventé le KG comme complément aux expériences utilisateur de bureau ; c'était une réponse au besoin de meilleures réponses aux requêtes mobiles. Tant de sites étaient (et sont toujours) horribles sur les appareils mobiles. Le GKG s'engage à fournir des informations exactes à son utilisateur ; son objectif principal n'est pas de générer du trafic vers votre site.

Auparavant, Google ne semblait pas classer les pages Web en fonction de leur précision. Aujourd'hui, ses évaluateurs de qualité ont plus d'instructions sur la façon d'évaluer l'expérience, l'expertise, l'autorité et la fiabilité (EEAT). L'exactitude des réponses est un facteur de confiance, et ses directives nous indiquent que la confiance est le facteur le plus important. En revanche, la "précision" est un facteur dans lequel les entités s'affichent dans les panneaux de connaissances.

Les fiches info sont un type de résultats enrichis dans les pages de résultats de recherche de Google. Ils donnent aux chercheurs un aperçu vérifié des informations relatives à une entité donnée.

Quelle est la différence entre les panneaux de connaissances et les profils d'entreprise Google ?

Google Business Profiles (GBP) ressemble beaucoup à ses panneaux de connaissances. Les GBP sont uniques aux entreprises qui servent des clients à un emplacement particulier ou dans une zone de service désignée. L'accès GBP permet aux propriétaires d'entreprise de gérer leur présence numérique sur Google Maps et la recherche. C'est gratuit. En revanche, votre Google Knowledge Panel (GKP) est automatiquement généré par Google à partir des informations sur votre entité en ligne. Il a un contrôle total sur sa propagation et sur ce qu'il choisit de mettre à jour en son sein.

Quelle est la différence entre le Knowledge Panel de Google et le Knowledge Vault ?

Pensez au Google Knowledge Vault (GKV) produit par un algorithme qui génère une encyclopédie lisible par machine.

Google n'ajoute des informations à son GKV qu'une fois qu'il est assuré que ce qu'il affiche dans les Knowledge Panels est correct et utile. Le GKV est uniquement basé sur l'apprentissage automatique et la logique machine. Des entités distinctes de plusieurs domaines ne sont déplacées dans le Knowledge Vault qu'une fois que l'algorithme de connaissances globales de Google a acquis une confiance suffisante dans sa compréhension de l'entité spécifiée.

« … nous introduisons Knowledge Vault, une base de connaissances probabiliste à l'échelle du Web qui combine des extractions de contenu Web (obtenues via l'analyse de texte, de données tabulaires, de la structure de page et d'annotations humaines) avec des connaissances antérieures dérivées de référentiels de connaissances existants. Nous utilisons des méthodes d'apprentissage automatique supervisé pour fusionner ces sources d'information distinctes. Le Knowledge Vault est considérablement plus grand que n'importe quel référentiel de connaissances structuré publié précédemment et dispose d'un système d'inférence probabiliste qui calcule des probabilités calibrées d'exactitude des faits. – Knowledge Vault : une approche à l'échelle du Web pour la fusion probabiliste des connaissances [1]

Répondre à des questions complexes avec l'apprentissage automatique

Google reçoit 93% des requêtes quotidiennes. Juste comment il fonctionne traditionnellement comme un moteur de recherche et aboutit à votre produit ou service. Pour améliorer ses capacités de réponse aux questions, un brevet de Google déclare que : "Le traitement du langage naturel (TLN) peut impliquer de répondre à des questions en langage naturel basées sur des informations contenues dans des documents en langage naturel".

"Les techniques décrites permettent de répondre à une question en langage naturel à l'aide de méthodes basées sur l'apprentissage automatique pour recueillir et analyser des preuves à partir de recherches sur le Web." – [2]

Cependant, avant d'ajouter des entités à sa base de connaissances, Google doit d'abord comprendre algorithmiquement la question posée. Il cherche à comprendre l'intention de requête qui a déclenché la question. Pour les requêtes ambiguës, l'interprétation sémantique aide à répondre à des questions complexes et cherche à reproduire la cognition humaine. Les articles Web omettent souvent d'afficher une date de publication ou la date de la dernière mise à jour. En revanche, le Knowledge Graph de Google est continuellement mis à jour. Par exemple, j'étais sur le point de citer un article pour cette écriture, mais j'ai d'abord fait des recherches et j'ai vu "Cet article a plus de 3 ans".

MarketWatch estime que "l'industrie de la base de connaissances sémantiques vaudra 33 milliards de dollars d'ici 2023, avec une croissance annuelle de 10 % pendant le reste de la décennie". Son article du 18 janvier 2023, La taille du marché de la représentation graphique des connaissances sémantiques liée au temps et au coût devrait faire croître l'industrie dans les années à venir jusqu'en 2029 , comprend la recherche sémantique, la machine à questions et réponses et la récupération d'informations.

Il est ahurissant de voir à quel point une augmentation de l'innovation scientifique est consacrée à de meilleurs KG. De même, les spécialistes du marketing numérique et les référenceurs bénéficient d'une adaptation rapide.

Les KG sont généralement considérés comme des réseaux sémantiques à grande échelle qui stockent des faits sous forme de triplets sous la forme de (entité sujet, relation, entité objet) ou (entité sujet, attribut, valeur). Les arêtes du graphique représentent les relations entre ces entités. La plupart des KG sont construits sur différentes sources de données existantes pour connecter les données. Jusqu'à l'émergence de GPTChat dans GPT3, Google n'était pas menacé par d'autres KG à grande échelle, tels que DBpedia, Freebase et YAGO.

La poussée pour des réponses aux questions plus humaines

La concurrence est à une échelle sans précédent entre Goole, OpenAI, Bing et d'autres pour fournir des réponses plus humaines aux questions au lieu de simplement des liens vers des informations. Google utilise et teste en permanence divers grands modèles de langage d'IA pour améliorer son moteur de recherche et ses panneaux de connaissances.

Le terme « graphe de connaissances » a une vaste famille relationnelle ; il comprend les domaines des graphes de connaissances, des bases de données de graphes, des coffres de connaissances, des panneaux de connaissances, des réseaux de neurones, de l'apprentissage automatique, de la PNL, de l'intelligence artificielle, des données liées, de l'intégration de graphes de connaissances, du transfert de connaissances, de l'apprentissage par transfert, de l'apprentissage de la représentation des connaissances (KRL), etc. ! Dépenser de l'argent pour la recherche payante et l'amélioration triviale des performances du site est dérisoire par rapport à combler efficacement les lacunes du contenu des questions-réponses. Les suggestions ci-dessous proviennent de ma propre expérience.

Les systèmes basés sur les données de l'entreprise sont évalués pour établir la confiance dans l'approche scientifique et ses applications. Ses capacités de réponse aux questions (QA) Knowledge Graph (KG) reposent sur des structures de données complexes rendues accessibles via des interfaces en langage naturel.

Comment créer un contenu de réponse aux questions que Google trouve utile

Comment créer un contenu de réponse aux questions qui informe Google – Exemple : Lac Itaska

Le nouveau SEO comprend que Google est un type de moteur de réponse et le nourrit.

Plus vous publiez de données de vérification, plus le géant de la technologie peut connecter des données. De cette façon, vous facilitez le travail d'un moteur de recherche pour comprendre quels sont les faits concernant votre entité. Vous fournissez une aide lorsque vous connectez vos propres données structurées à tous les différents tiers qui parlent de vous. Google n'a aucune préférence pour savoir si la mise en œuvre des données structurées est connectée via un graphique ou un tableau de nœuds ou si elles sont des éléments individuels dans leurs propres blocs sur la page.

  • Contenu de la FAQ : votre entreprise peut créer des bases de données balisées avec un schéma pour aider Google à explorer et à ingérer des pages d'informations de questions-réponses. Google peut choisir de se procurer le contenu de la FAQ de votre site Web.
  • Groupes de sujets de site Web : les informations avec une ontologie claire peuvent être utilisées pour indiquer l'expertise du sujet. Les graphes de connaissances organisent les entités à l'aide de données Web auxquelles Google fait confiance. Vous pouvez être la source principale dans différents ensembles de données. De cette façon, vous êtes un éditeur de données. Si vous avez réclamé votre fiche info, il peut s'agir d'un moyen plus fiable et plus rapide de déclencher une mise à jour de la fiche info.
  • Base de données de produits précise : tant que vous faites un travail impeccable pour maintenir à jour votre base de données de produits, vous aidez Google à obtenir un niveau de confiance élevé pour les informations sur vos produits. Google est plus sûr de montrer à ses utilisateurs des informations précises et pertinentes si votre marque et vos produits en ligne sont clairs et cohérents. Soyez cohérent avec tout ce qui concerne votre présence en ligne. Suivez la même orthographe, le même titre, la même biographie de l'auteur, le lieu de travail, etc.
  • Téléchargez des ensembles de données d'images : les images provenant de cette base de données particulière peuvent être associées à vos réponses et remplir votre graphique de connaissances. L'existence et l'exactitude de vos ensembles de données d'assurance qualité des produits permettent d'assurer la comparabilité.
  • Utilisez le balisage de schéma FactClaim : les résultats de recherche de Google sont souvent tirés de son référentiel Knowledge Graph de milliards de faits sur les personnes, les lieux et les choses. En incluant un contenu factuel et statistique qui étaye vos articles d'opinion, vous montrez votre connaissance et votre connaissance des sources factuelles pertinentes.
  • Nom, adresse, téléphone cohérents : il existe d'autres façons de gérer votre profil d'entreprise Google à l'approche de 2023. Cependant, votre NAP est essentiel à la façon dont Google identifie votre entité. Il est préférable d'avoir une adresse stable et d'utiliser celle attribuée dans Google Maps. Les graphes de connaissances sont étroitement liés à Google Maps. Il est basé sur des données structurées, des informations structurées sous forme de cohérence NAP : nom, adresse, numéro de téléphone et comment ceux-ci font une différence pour s'assurer que Google Maps est mis à jour. Le même type de consistance fournit le GKG.
  • Réponses textuelles automatisées à la FAQ sur le profil d'entreprise Google : vous pouvez ajouter des réponses automatisées à la FAQ directement dans votre profil d'entreprise Google. Il fonctionne comme une conversation bidirectionnelle automatisée avec réponse aux questions.
  • Incorporez une stratégie Google Post efficace : les auteurs Google Scholar, les marques notables et les élus américains ne profitent pas de la possibilité de réclamer leurs Knowledge Panels. Cela leur donne à leur tour accès à Google Posts, qui devrait faire partie de votre stratégie de graphe de connaissances pour le contenu.
  • Utiliser les données d'audience et les études de marché : les études de marché initiales fournissent des informations sur les données d'audience qui peuvent alimenter des campagnes de contenu innovantes et des stratégies KG. Une base de connaissances classe d'abord les questions en fonction de leur « importance » par rapport à l'intention de requête des personnes.

En savoir plus sur l'utilisation de données structurées sur votre site Web :

Ryan Levering de Google, qui travaille principalement sur des données structurées, a déclaré sur Mastodon : « Ce que ressemble le graphique pour l'ensemble de la page, c'est ce que nous utilisons, quelle que soit son origine. Il est mélangé et même s'il sait d'où il vient, il n'est généralement pas utilisé. Cependant, la mise en garde ici est que lorsque vous le faites dans plusieurs blocs, il y a parfois des problèmes de conflit/duplication. De plus, avec le temps, une sémantique plus riche/correcte favorisera des graphes plus connectés. Nous voyons toujours des cas où les gens lancent des balises sans rapport sur des choses (comme des produits connexes) au même niveau supérieur que l'entité principale à partir de différents blocs sur la page et cela en fait principalement du bruit. Donc, parfois, centraliser la logique la rend plus cohérente/correcte.

Les Knowledge Graphs répondent aux questions liées aux données

L'un des objectifs des graphiques est la capacité de fonctionner comme la vérité fondamentale de la terminologie, de la logique et des réponses correctes.

Voici une citation directement de Google sur le fonctionnement de son Knowledge Graph.

"Les résultats de recherche de Google affichent parfois des informations provenant de notre Knowledge Graph, notre base de données de milliards de faits sur les personnes, les lieux et les choses. Le Knowledge Graph nous permet de répondre à des questions factuelles telles que « Quelle est la hauteur de la Tour Eiffel ? ou "Où se sont déroulés les Jeux olympiques d'été de 2016". Notre objectif avec le Knowledge Graph est que nos systèmes découvrent et mettent en évidence des informations factuelles connues du public lorsqu'elles sont jugées utiles. – Comment fonctionne le Knowledge Graph de Google

Vous pouvez alimenter votre Knowledge Graph avec des informations qui démontrent les relations et les concepts liés les uns aux autres. Alors que d'énormes investissements dans l'intelligence artificielle des chatbots sont en cours, nous savons actuellement qu'il a besoin d'un modèle de domaine pour comprendre et répondre aux questions. L'apprentissage automatique peut générer une énorme base de connaissances de phrases et de cas d'utilisation, mais un chatbot statique a des limites.

Google collecte des informations sur un sujet ou un sujet particulier pour établir d'abord la confiance avant qu'une entrée de données Knowledge Graph ne soit mise à jour. Les graphiques nous aident à répondre aux questions liées aux données afin que Google puisse stocker et récupérer facilement des informations. Il s'agit essentiellement de comprendre les questions, de relier les questions à votre graphe de connaissances et d'inférer les réponses.

Étapes suggérées pour l'optimisation des réponses aux questions KG :

  1. Cherchez quoi, qui, où, pourquoi et aussi comment les publications que vous contrôlez.
  2. Identifiez les données d'assurance qualité internes qui peuvent provenir de l'extérieur.
  3. Apprenez où le trouver.
  4. Découvrez comment il est déjà utilisé, par qui, comment il peut être utilisé et pourquoi.
  5. Utilisez des graphiques pour identifier comment fournir plus de valeur en analysant leurs clusters, cohortes et groupes.
  6. Configurez des alertes pour aider à surveiller les signaux de données QA concernant le contexte, les signaux de groupe et la dynamique au sein et avec vos relations d'entité.
  7. Planifiez le temps de maintenance pour gérer et alimenter votre contenu QA graphique.

Le traitement du langage naturel et la gestion de l'alignement des graphes facilitent la recherche de cas d'entités ou de définitions de relations en conflit. Les panneaux, les graphiques et le coffre-fort de Google concernent la résolution d'entités.

Avant de répondre à une question sur une plateforme que vous contrôlez, comprenez d'abord intelligemment la question. Vous devez connaître l'intention du chercheur et les informations clés nécessaires à la question. Les moteurs de recherche extraient des informations clés en recherchant des entités nommées qui sont utiles pour l'inclusion de graphes de connaissances. Pour se faire confiance, ils sont sélectifs avant d'inférer la réponse sur le KG.

Comment demander une mise à jour du panneau de connaissances Google ?

Google fournit à ses propriétaires revendiqués de Knowledge Graph un moyen de demander des mises à jour et de signaler des problèmes. C'est plus facile une fois que vous avez acquis la capacité de fournir une rétroaction directe. Ses réponses instantanées sont régulièrement mises à jour à partir de l'exploration du Web et des commentaires des utilisateurs.

"Nous savons également que les entités dont les informations sont incluses dans les panneaux de connaissances (comme les personnalités éminentes ou les créateurs d'une émission de télévision) font autorité, et nous fournissons des moyens à ces entités de fournir des commentaires directs. Par conséquent, certaines des informations affichées peuvent également provenir d'entités vérifiées qui ont suggéré des modifications aux faits sur leurs propres panneaux de connaissances. – À propos des panneaux de connaissances

"Nous recevons également des informations factuelles directement des propriétaires de contenu de diverses manières, y compris de ceux qui suggèrent des modifications aux panneaux de connaissances qu'ils ont revendiqués." – Comment fonctionne le Knowledge Graph de Google

Beaucoup considèrent que les principaux avantages de l'obtention d'un graphe de connaissances sémantique sont qu'il offre une clarté de marque, une récupération de données et des expériences de vente. Mais étant donné que tant de personnes posent des questions, il est important de considérer également sa capacité à intégrer des données et à les utiliser pour fournir des réponses. Qu'est-ce que ne serait pas le détaillant qui s'avère précieux de cette manière?

Comment fonctionne la recherche d'informations de réponse aux questions ?

Google rassemble le contenu des clusters de questions à partir de sources dont il peut être sûr.

2023 est l'ère de l'amélioration de votre stratégie Knowledge Graphs car de plus en plus de conversions de leads ont lieu directement sur les pages de résultats des moteurs de recherche (SERP). Google évalue ce à quoi il peut faire confiance à propos de votre entité et choisit ce qui sera inclus dans votre Knowledge Graph, vos Knowledge Panels et votre Knowledge Vault. Il connaît votre public cible et vos clients ; il cherche à aligner vos forces et vos connaissances sur le Web pour fournir les meilleures réponses. La recherche d'audience et l'analyse SERP peuvent éclairer votre approche du marketing.

Lorsque Google extrait des informations d'entité QA à partir de pages Web, les scores d'association impliquant ces entités et leurs relations avec d'autres entités sont déterminés. Il se soucie beaucoup des réponses factuelles décrivant les propriétés de ces entités. Une fois que vous avez déterminé votre meilleure stratégie marketing, il est temps de la transformer en tactiques marketing, où vous avez pris des mesures marketing spécifiques pour améliorer les résultats de votre SERP. Aujourd'hui et plus encore à l'avenir, comprendre la récupération d'informations QA et comment informer vos KG est un élément essentiel d'un référencement efficace.

Nous apprenons des brevets de Google comment un modèle de traitement du langage naturel peut répondre à une question textuelle en langage naturel.

"Un système informatique comprend un modèle de traitement du langage naturel appris par machine qui comprend un modèle d'encodeur formé pour recevoir un corps de texte en langage naturel et produire un graphe de connaissances et un modèle de programmeur formé pour recevoir une question en langage naturel et produire un programme. Le système informatique comprend un support lisible par ordinateur stockant des instructions qui, lorsqu'elles sont exécutées, amènent le processeur à effectuer des opérations. Les opérations comprennent l'obtention du corps de texte en langage naturel, l'entrée du corps de texte en langage naturel dans le modèle d'encodeur, la réception, en tant que sortie du modèle d'encodeur, du graphe de connaissances, l'obtention de la question en langage naturel, l'entrée de la question en langage naturel dans le modèle de programmeur , recevant le programme en tant que sortie du modèle de programmeur et exécutant le programme sur le graphe de connaissances pour produire une réponse à la question en langage naturel. – Natural Language Processing With An N-Gram Machine, brevet n° : WO2019083519A1, date de publication : 2 mai 2019 [3]

Notation de la pertinence du graphique des connaissances

Combinez l'apprentissage du langage machine et les graphiques de données pour connecter le contexte de la question du public à vos réponses. La notation de la pertinence de Google KG utilise un LM pré-formé pour noter les nœuds sur les KG conditionnés pour une réponse à une question. Google dispose d'un cadre général pour pondérer les informations au sein de ses KG. Son apprentissage automatique utilise un raisonnement conjoint sur du texte et des KG. De cette manière, il relie le contexte des questions au contenu des réponses en utilisant des LM et des réseaux de neurones graphiques.

Dans l'ensemble, les Google KG sont plus efficaces et plus fiables que les pages Web. Alors, où cela va-t-il ?

Les KG de réponse aux questions cherchent à fournir des connaissances vérifiées

Google Knowledge Graph fournit des réponses directes aux requêtes

Les faits fournis par le Google Knowledge Graph en réponse à une requête proviennent initialement d'autres sources. (Jusqu'à récemment, cela provenait en grande partie de Wikipédia et Wikidata). Google s'efforce de faire confiance à toutes les informations contenues dans ses KG. Il doit être difficile de répondre avec précision aux requêtes. Par exemple, pour répondre "Qui étaient les fondateurs de Google ?", le Knowledge Graph doit extraire ici un triplet (sujet-prédicat-objet) du type "[Organisation] fondée par [Personne(s)]".

Wikipédia et Wikidata fournissent des informations précises comme celle-là.

Aaron Bradly, stratège Knowledge Graph chez Electronic Arts, a posé une question fascinante sur Twitter il y a quelques années. "À savoir, une question sous-jacente plus importante est de savoir si nous devons considérer les" faits "fournis par le Google Knowledge Graph comme factuellement corrects (et si Google lui-même considère que les" faits fournis par Graph sont factuellement corrects )".

On comprend rapidement pourquoi les « réponses » et les « faits » fournis par le Knowledge Graph doivent être dignes de confiance par les utilisateurs.

Bradley poursuit en disant: «Donc, le Graph doit s'appuyer sur la fiabilité de ses sources pour déterminer les affirmations à faire. À tel point que Google a réfléchi à des méthodes pour améliorer la façon dont ils déterminent la fiabilité d'une source. En fin de compte, l'assertion fournie est "de quelque part". Et cela devient problématique lorsque la charge utile d'une réponse (en particulier la voix) n'inclut pas d'informations de provenance. Les agrégateurs de connaissances (ici Google) et les utilisateurs de connaissances (ici les chercheurs) doivent s'efforcer d'améliorer la façon dont nous traitons ces questions et réponses. » [4]

Larry Page et Sergey Brin, les fondateurs de Google, ont refait surface après leur départ en 2019 pour revoir la stratégie produit d'intelligence artificielle de Google. Ils ont approuvé des plans et proposé des idées pour ajouter de nouvelles fonctionnalités de chatbot au moteur de recherche de Google. Les licenciements massifs de personnel de Google en janvier 2023 font suite à son engagement renouvelé de placer l'IA au premier plan de ses plans. [5]

Vous pouvez utiliser l'API de recherche Google Knowledge Graph pour rechercher ou rechercher des entités dans Google Knowledge Graph. Google Cloud propose l'exemple de code de balisage de schéma suivant : [6]

{
  "@le contexte": {
    "@vocab": "http://schema.org/"
  },
  "@type": "Liste d'articles",
  "itemListElement": [
    {
      "résultat": {
        "@id": "c-07xuup16g",
        "nom": "Université de Stanford",
        "description": "Université privée à Stanford, Californie",
        "Description détaillée": {
          "articleBody": "L'Université de Stanford, officiellement Leland Stanford Junior University, est une université de recherche privée à Stanford, en Californie. Le campus occupe 8 180 acres, parmi les plus grands des États-Unis, et accueille plus de 17 000 étudiants. ",
          "url": "https://en.wikipedia.org/wiki/Stanford_University",
          "license": "https://en.wikipedia.org/wiki/Wikipedia:Text_of_Creative_Commons_Attribution-ShareAlike_3.0_Unported_License"
        },
        "url": "http://www.stanford.edu/",
        "image": {
          "contentUrl": "https://encrypted-tbn1.gstatic.com/images?q=tbn:ANd9GcTfPPf-ker0y_892m1wu8-U89furQgQ67foDFncY3r9sREpeWxV",
          "url": "https://es.wikipedia.org/wiki/Archivo:Logo_of_Stanford_University.png"
        },
        "identifiant": [
          {
            "@type": "ValeurPropriété",
            "IDpropriété": "googleKgMID",
            "valeur": "/m/06pwq"
          },
          {
            "@type": "ValeurPropriété",
            "IDpropriété": "googlePlaceID",
            "valeur": "ChIJneqLZyq7j4ARf2j8RBrwzSk"
          },
          {
            "@type": "ValeurPropriété",
            "IDpropriété": "wikidataQID",
            "valeur": "Q41506"
          }
        ],
        "@taper": [
          "Endroit",
          "Organisme",
          "Cinéma",
          "Société",
          "Organisation éducative",
          "Chose",
          "Collège ou université"
        ]
      }
    }
  ]
}

Nous constatons que l'implémentation du balisage de schéma est extrêmement utile. Si vous êtes en double, lisez nos avantages et inconvénients de l'ajout d'un article de balisage de données structurées.

Faites avancer votre recherche sémantique et GKG

Si cet article vous sensibilise à la recherche sémantique et à la technologie des graphes et que vous êtes maintenant impatient de répondre à de telles opportunités, appelez Jeannie Hill au 651-206-2410.

Boostez votre graphique de connaissances personnelles ou professionnelles en obtenant notre audit des entités de requêtes

Références:

[1] https://research.google/pubs/pub45634/

[2] https://patents.google.com/patent/WO2014008272A1/fr

[3] https://patentscope.wipo.int/search/en/detail.jsf?docId=WO2019083519

[4] https://mobile.twitter.com/aaranged/status/1108444732282163200

[5] https://searchengineland.com/google-search-chatbot-features-this-year-391977

[6] https://cloud.google.com/enterprise-knowledge-graph/docs/search-api