Risposte alle domande del Knowledge Graph

Pubblicato: 2023-01-25

Che cos'è la funzione Domanda-Risposta del Knowledge Graph di Google?

La risposta alle domande del grafico della conoscenza (KGQA) sta occupando molto spazio nelle pagine dei risultati dei motori di ricerca (SERP).

La funzione di risposta alle domande del Knowledge Graph di Google risponde alle domande degli utenti senza richiedere loro di fare clic per accedere a un sito web.

Ogni motore di ricerca spera di restituire le migliori informazioni in base all'intento del ricercatore. Per essere una fonte affidabile di risposte, devi essere conosciuto online. Google comprende i flussi di query e li utilizza per identificare gli argomenti ed estrarre dati attendibili dal Web per aggiornare le ontologie. Le schede Google, i grafici della conoscenza (KG) e le raccolte di conoscenze sono un modo per gli utenti di interagire con Google. Come le domande "le persone fanno anche" sui risultati di ricerca, le risposte alle domande del Knowledge Graph mantengono le persone sulle SERP di Google più a lungo.

Sommario

  • Che cos'è la funzione Domanda-Risposta del Knowledge Graph di Google?
    • Qual è la differenza tra pannelli di conoscenza e grafici di conoscenza?
    • Qual è la differenza tra le schede informative e i profili aziendali di Google?
    • Qual è la differenza tra il Knowledge Panel di Google e il Knowledge Vault?
  • Rispondere a domande complesse con il machine learning
  • Come creare domande e risposte a contenuti che Google trova utili
  • I grafici della conoscenza rispondono a domande relative ai dati
  • Passi per l'ottimizzazione della risposta alla domanda KG
  • Come richiedere un aggiornamento del Knowledge Panel di Google?
  • I KG che rispondono alle domande cercano di fornire conoscenze verificate

Stabiliamo prima un vocabolario fondamentale.

Qual è la differenza tra pannelli di conoscenza e grafici di conoscenza?

I grafici della conoscenza possono essere originati per fornire riquadri di conoscenza più ricchi nei risultati di ricerca e restituire risposte alle query.

Aiuta a visualizzare i Knowledge Panel come una manifestazione front-end del Knowledge Graph di Google. Più dati sono dietro ciò che vediamo nei dati del grafico a pannelli. Una volta stabilita un'entità Knowledge Graph, Google farà affidamento su di essa e la considererà una fonte canonica di informazioni. Il gigante della tecnologia non ha inventato il KG come supplemento alle esperienze utente desktop; era una risposta alla necessità di migliori risposte alle query mobili. Così tanti siti erano (e sono tuttora) orribili sui dispositivi mobili. Il GKG intende fornire informazioni accurate al proprio utente; il suo obiettivo principale non è indirizzare il traffico verso il tuo sito.

In precedenza, Google non sembrava classificare le pagine Web in base all'accuratezza. Oggi, i suoi valutatori della qualità hanno più istruzioni su come valutare l'esperienza, la competenza, l'autorevolezza e l'affidabilità (EEAT). L'accuratezza della risposta è un fattore di fiducia e le sue linee guida ci dicono che la fiducia è il fattore più importante. Al contrario, la "precisione" è un fattore in cui le entità vengono visualizzate nei riquadri informativi.

Le schede informative sono un tipo di risultati multimediali nelle pagine dei risultati di ricerca di Google. Offrono ai ricercatori una panoramica controllata delle informazioni relative a una determinata entità.

Qual è la differenza tra le schede informative e i profili aziendali di Google?

Google Business Profiles (GBP) ha lo stesso aspetto delle schede informative. I GBP sono unici per le aziende che servono i clienti in una particolare località o all'interno di un'area di servizio designata. L'accesso in GBP consente ai proprietari di attività commerciali di gestire la propria presenza digitale su Google Maps e nella ricerca. Questo è gratuito. Al contrario, il tuo Google Knowledge Panel (GKP) viene generato automaticamente da Google utilizzando informazioni sulla tua entità online. Ha il pieno controllo sulla sua propagazione e su ciò che sceglie di aggiornare al suo interno.

Qual è la differenza tra il Knowledge Panel di Google e il Knowledge Vault?

Pensa a Google Knowledge Vault (GKV) come prodotto da un algoritmo che genera un'enciclopedia leggibile dalla macchina.

Google aggiunge informazioni al suo GKV solo dopo aver verificato che ciò che mostra nei Knowledge Panel è corretto e utile. Il GKV si basa esclusivamente sull'apprendimento automatico e sulla logica della macchina. Entità separate da più domini vengono spostate in Knowledge Vault solo dopo che l'algoritmo di conoscenza globale di Google ha acquisito sufficiente fiducia nella sua comprensione dell'entità specificata.

“… introduciamo Knowledge Vault, una base di conoscenza probabilistica su scala Web che combina estrazioni dai contenuti Web (ottenute tramite analisi di testo, dati tabulari, struttura della pagina e annotazioni umane) con conoscenze precedenti derivate da archivi di conoscenze esistenti. Utilizziamo metodi di apprendimento automatico supervisionato per fondere queste diverse fonti di informazioni. Il Knowledge Vault è sostanzialmente più grande di qualsiasi archivio di conoscenza strutturato pubblicato in precedenza e presenta un sistema di inferenza probabilistica che calcola probabilità calibrate di correttezza dei fatti. – Knowledge Vault: un approccio su scala Web alla fusione probabilistica della conoscenza [1]

Rispondere a domande complesse con il machine learning

Google riceve il 93% delle query giornaliere. Proprio come funziona tradizionalmente come motore di ricerca e finisce con il tuo prodotto o servizio. Per migliorare le sue capacità di risposta alle domande, un brevetto di Google afferma che: "Natural Language Processing (NLP) può comportare la risposta a domande in linguaggio naturale basate su informazioni contenute all'interno di documenti in linguaggio naturale".

"Le tecniche descritte consentono di rispondere a una domanda in linguaggio naturale utilizzando metodi basati sull'apprendimento automatico per raccogliere e analizzare le prove dalle ricerche sul web". – [2]

Tuttavia, prima di aggiungere entità alla sua base di conoscenza, Google deve prima comprendere algoritmicamente la domanda posta. Cerca di comprendere l'intento della query che ha attivato la domanda. Per domande ambigue, l'interpretazione semantica aiuta a rispondere a domande complesse e cerca di replicare la cognizione umana. Gli articoli Web spesso non mostrano una data di pubblicazione o quando è stato aggiornato l'ultima volta. Al contrario, il Knowledge Graph di Google si aggiorna continuamente. Ad esempio, stavo per citare un articolo per questo scritto, ma prima ho fatto ricerche e ho visto "Questo articolo ha più di 3 anni".

MarketWatch stima che "l'industria della base di conoscenza semantica varrà 33 miliardi di dollari entro il 2023, con una crescita anno su anno del 10% per il resto del decennio". È il 18 gennaio 2023, si prevede che le dimensioni del mercato della rappresentazione grafica della conoscenza semantica relative a tempi e costi cresceranno nel settore nei prossimi anni fino al 2029. L' articolo include la ricerca semantica, la macchina di domande e risposte e il recupero delle informazioni.

È sconvolgente quanto di un aumento dell'innovazione scientifica sia dedicato a KG migliori. Allo stesso modo, i professionisti del marketing digitale e i SEO traggono vantaggio dal rapido adattamento.

I KG sono generalmente visti come reti semantiche su larga scala che memorizzano i fatti come triple nella forma di (entità soggetto, relazione, entità oggetto) o (entità soggetto, attributo, valore). I bordi nel grafico rappresentano le relazioni tra queste entità. La maggior parte dei KG si basa su diverse origini dati esistenti per connettere i dati. Fino a quando GPTChat non è emerso all'interno di GPT3, Google non era minacciato da altri KG su larga scala, come DBpedia, Freebase e YAGO.

La spinta per risposte alle domande più umane

La concorrenza è su una scala senza precedenti tra Goole, OpenAI, Bing e altri per fornire risposte più umane alle domande anziché solo collegamenti alle informazioni. Google utilizza e testa continuamente vari modelli di linguaggio IA di grandi dimensioni per migliorare il suo motore di ricerca e i riquadri di conoscenza.

Il termine "grafico della conoscenza" ha una vasta famiglia relazionale; include i campi dei grafici della conoscenza, dei database dei grafici, dei depositi di conoscenza, dei pannelli della conoscenza, delle reti neurali, dell'apprendimento automatico, della PNL, dell'intelligenza artificiale, dei dati collegati, dell'incorporamento dei grafici della conoscenza, del trasferimento della conoscenza, dell'apprendimento del trasferimento, dell'apprendimento della rappresentazione della conoscenza (KRL) e altro ancora ! Spendere soldi per la ricerca a pagamento e banali miglioramenti delle prestazioni del sito impallidisce rispetto al colmare efficacemente le lacune nei contenuti delle risposte alle domande. I suggerimenti che seguono provengono dalla mia esperienza.

I sistemi basati sui dati dell'azienda vengono valutati per creare fiducia nell'approccio scientifico e nelle sue applicazioni. Le sue capacità di risposta alle domande (QA) di Knowledge Graph (KG) si basano su complesse strutture di dati rese accessibili tramite interfacce in linguaggio naturale.

Come creare domande e risposte a contenuti che Google trova utili

Come creare un contenuto di domanda e risposta che informi Google - Esempio: Lago Itaska

Il nuovo SEO capisce che Google è un tipo di motore di risposta e lo alimenta.

Più pubblichi verificando i dati, più il gigante della tecnologia può connettere i dati. In questo modo faciliti il ​​lavoro di un motore di ricerca nel capire quali sono i fatti sulla tua entità. Fornisci aiuto quando colleghi i tuoi dati strutturati a tutte le diverse terze parti che parlano di te. Google non ha preferenze sul fatto che l'implementazione dei dati strutturati sia collegata tramite un grafico o un array di nodi piuttosto che averli come singoli elementi nei propri blocchi sulla pagina.

  • Contenuto delle domande frequenti: la tua azienda può creare database contrassegnati con schemi per assistere Google nella scansione e nell'importazione di pagine informative di domande e risposte. Google può scegliere di procurarsi i contenuti delle domande frequenti del tuo sito web.
  • Cluster di argomenti del sito Web: le informazioni con un'ontologia chiara possono essere utilizzate per denotare la competenza dell'argomento. I grafici della conoscenza organizzano le entità utilizzando i dati web di cui Google si fida. Puoi essere la fonte primaria in diversi set di dati. In questo modo, sei un editore di dati. Se hai rivendicato la tua scheda informativa, potrebbe essere un modo più affidabile e rapido per attivare un aggiornamento della scheda informativa.
  • Database dei prodotti accurato: fintanto che svolgi un lavoro impeccabile nel mantenere aggiornato il tuo database dei prodotti, stai aiutando Google a ottenere un'elevata sicurezza e affidabilità per i fatti sui tuoi prodotti. Google è più sicuro di mostrare ai suoi utenti informazioni accurate e pertinenti se il tuo brand e i tuoi prodotti online sono chiari e coerenti. Sii coerente con tutto quando si tratta della tua presenza online. Usa la stessa ortografia, titolo, biografia dell'autore, luogo di lavoro, ecc.
  • Carica set di dati di immagini: le immagini provenienti da quel particolare database possono essere associate alle tue risposte e popolare il tuo grafico di conoscenza. L'esistenza e l'accuratezza dei set di dati del QA del prodotto aiutano a garantire la comparabilità.
  • Usa il markup dello schema FactClaim: i risultati di ricerca di Google sono spesso tratti dal suo repository Knowledge Graph di miliardi di fatti su persone, luoghi e cose. Includendo contenuti fattuali e statistici che supportano i tuoi pezzi di opinione, mostri la tua consapevolezza e conoscenza delle fonti pertinenti basate sui fatti.
  • Nome, indirizzo, telefono coerenti: ci sono altri modi per gestire il profilo della tua attività su Google nel 2023. Tuttavia, il tuo NAP è fondamentale per il modo in cui Google identifica la tua entità. Funziona meglio avere un indirizzo stabile e utilizzare quello assegnato in Google Maps. I grafici della conoscenza sono strettamente correlati a Google Maps. Si basa su dati strutturati, informazioni strutturate sotto forma di coerenza NAP: nome, indirizzo, numero di telefono e come fanno la differenza per garantire che Google Maps si aggiorni. Lo stesso tipo di consistenza fornisce il GKG.
  • Risposte automatiche di testo alle domande frequenti su Profilo dell'attività su Google: puoi aggiungere risposte automatiche alle domande frequenti direttamente nel tuo profilo dell'attività su Google. Funziona come una conversazione bidirezionale automatizzata con risposta alle domande.
  • Incorpora un'efficace strategia Google Post: gli autori di Google Scholar, i marchi importanti e i funzionari eletti degli Stati Uniti non stanno sfruttando l'opportunità di rivendicare i propri riquadri informativi. Questo a sua volta fornisce loro l'accesso a Google Posts, che dovrebbe far parte della tua strategia di knowledge graph per i contenuti.
  • Utilizza i dati sul pubblico e le ricerche di mercato: la ricerca di mercato iniziale fornisce approfondimenti sui dati del pubblico che possono alimentare campagne di contenuti innovativi e strategie di KG. Una base di conoscenza classifica innanzitutto le domande in base a quanto "significative" sono in relazione all'intento di ricerca delle persone.

Ulteriori informazioni sull'utilizzo dei dati strutturati sul tuo sito web:

Ryan Levering di Google, che lavora principalmente su dati strutturati, ha dichiarato su Mastodon: “Qualunque sia l'aspetto del grafico per l'intera pagina è ciò che usiamo, indipendentemente da dove provenga. Viene messo insieme e sebbene sappia da dove viene, di solito non viene utilizzato. Tuttavia, l'avvertenza qui è che quando lo fai in più blocchi, a volte ci sono problemi di conflitto/duplicazione. Inoltre, nel tempo una semantica più ricca/corretta favorirà grafi più connessi. Vediamo ancora casi in cui le persone lanciano markup non correlati su cose (come prodotti correlati) allo stesso livello superiore dell'entità principale da diversi blocchi sulla pagina e questo lo rende per lo più rumoroso. Quindi a volte centralizzare la logica la rende più coerente/corretta”.

I grafici della conoscenza rispondono a domande relative ai dati

Un obiettivo dei grafici è la capacità di funzionare come verità fondamentale della terminologia, della logica e delle risposte corrette.

Ecco una citazione direttamente da Google su come funziona il suo Knowledge Graph.

"I risultati di ricerca di Google a volte mostrano informazioni che provengono dal nostro Knowledge Graph, il nostro database di miliardi di fatti su persone, luoghi e cose. Il Knowledge Graph ci consente di rispondere a domande fattuali come "Quanto è alta la Torre Eiffel?" o "Dove si sono svolte le Olimpiadi estive del 2016". Il nostro obiettivo con il Knowledge Graph è che i nostri sistemi scoprano e facciano emergere informazioni fattuali pubblicamente note quando si ritiene che siano utili". – Come funziona il Knowledge Graph di Google

Puoi alimentare il tuo Knowledge Graph con informazioni che dimostrano relazioni e concetti collegati tra loro. Sebbene siano in corso enormi investimenti nell'intelligenza artificiale dei chatbot, al momento sappiamo che ha bisogno di un modello di dominio per comprendere e rispondere alle domande. L'apprendimento automatico può generare un'enorme base di conoscenze di frasi e casi d'uso, ma un chatbot statico ha dei limiti.

Google raccoglie informazioni su un particolare argomento o soggetto per stabilire innanzitutto la riservatezza prima che una voce del Knowledge Graph di dati venga aggiornata. I grafici ci aiutano a rispondere a domande relative ai dati in modo che Google possa archiviare e recuperare facilmente le informazioni. Fondamentalmente si tratta di comprendere le domande, collegare le domande al grafico della conoscenza e dedurre le risposte.

Passaggi suggeriti per l'ottimizzazione della risposta alla domanda KG:

  1. Cerca cosa, chi, dove, perché e anche come pubblicazioni che controlli.
  2. Identificare quali dati QA interni possono essere reperiti esternamente.
  3. Scopri dove trovarlo.
  4. Scopri come viene già utilizzato, da chi, come può essere utilizzato e perché.
  5. Usa i grafici per identificare come fornire più valore analizzando i loro cluster, coorti e gruppi.
  6. Imposta avvisi per aiutare a monitorare i segnali dei dati di QA relativi al contesto, ai segnali di gruppo e alle dinamiche all'interno e con le relazioni dell'entità.
  7. Pianifica i tempi di manutenzione per gestire e alimentare i contenuti QA del tuo grafico.

L'elaborazione del linguaggio naturale e la gestione dell'allineamento dei grafici facilitano la ricerca di casi di entità in conflitto o definizioni di relazione. I pannelli, i grafici e il vault di Google riguardano la risoluzione delle entità.

Prima di rispondere a una domanda su una piattaforma che controlli, comprendi prima la domanda in modo intelligente. Dovresti conoscere l'intenzione del ricercatore e le informazioni chiave necessarie per la domanda. I motori di ricerca estraggono le informazioni chiave cercando entità denominate utili per l'inclusione nel grafo della conoscenza. Per fidarsi di se stessi, sono selettivi prima di dedurre la risposta sul KG.

Come richiedere un aggiornamento del Knowledge Panel di Google?

Google fornisce ai proprietari dichiarati di Knowledge Graph un modo per richiedere aggiornamenti e segnalare problemi. È più facile una volta acquisita la capacità di fornire un feedback diretto. Le sue risposte istantanee vengono regolarmente aggiornate dalla scansione del Web e dal feedback degli utenti.

"Sappiamo anche che le entità le cui informazioni sono incluse nei riquadri informativi (come individui di spicco o i creatori di uno spettacolo televisivo) sono autorevoli e forniamo a queste entità i modi per fornire un feedback diretto. Pertanto, alcune delle informazioni visualizzate potrebbero provenire anche da entità verificate che hanno suggerito modifiche ai fatti nelle proprie schede informative. – Informazioni sui riquadri informativi

"Riceviamo anche informazioni fattuali direttamente dai proprietari dei contenuti in vari modi, anche da coloro che suggeriscono modifiche alle schede informative che hanno rivendicato". – Come funziona il Knowledge Graph di Google

Molti ritengono che i principali vantaggi dell'acquisizione di un grafico della conoscenza semantica siano che fornisce chiarezza del marchio, recupero dei dati ed esperienze di vendita. Ma poiché così tante persone fanno domande, è importante considerare anche la sua capacità di integrare i dati e usarli per fornire risposte. Quale non essere il rivenditore che si rivela prezioso in questo modo?

Come funziona il recupero delle informazioni di risposta alle domande?

Google mette insieme i contenuti del cluster di domande da fonti di cui può essere sicuro.

Il 2023 è l'era del miglioramento della tua strategia Knowledge Graphs poiché sempre più conversioni di lead avvengono direttamente sulle pagine dei risultati dei motori di ricerca (SERP). Google valuta ciò di cui può fidarsi della tua entità e sceglie cosa includere nel Knowledge Graph, nei Knowledge Panel e nel Knowledge Vault. Conosce il tuo pubblico di destinazione e i tuoi clienti; cerca di allineare i tuoi punti di forza e le tue conoscenze sul Web per fornire le migliori risposte. La ricerca sul pubblico e l'analisi SERP possono informare il tuo approccio al marketing.

Quando Google estrae le informazioni sulle entità del QA dalle pagine Web, vengono determinati i punteggi di associazione che coinvolgono tali entità e le loro relazioni con altre entità. Si preoccupa molto delle risposte fattuali che descrivono le proprietà di quelle entità. Una volta determinata la migliore strategia di marketing, è il momento di spostarla nelle tattiche di marketing, in cui hai intrapreso azioni di marketing specifiche per migliorare i risultati della tua SERP. Sia oggi che ancora di più in futuro, comprendere il recupero delle informazioni di QA e come informare i tuoi KG è una componente vitale di un SEO efficace.

Apprendiamo dai brevetti di Google come un modello di elaborazione del linguaggio naturale può rispondere a una domanda testuale in linguaggio naturale.

“Un sistema informatico include un modello di elaborazione del linguaggio naturale appreso dalla macchina che include un modello di codificatore addestrato a ricevere un corpo di testo in linguaggio naturale e produrre un grafico della conoscenza e un modello di programmatore addestrato a ricevere una domanda in linguaggio naturale e produrre un programma. Il sistema informatico include un supporto leggibile dal computer che memorizza istruzioni che, una volta eseguite, fanno sì che il processore esegua operazioni. Le operazioni includono l'ottenimento del corpo del testo in linguaggio naturale, l'inserimento del corpo del testo in linguaggio naturale nel modello del codificatore, la ricezione, come output del modello del codificatore, del grafico della conoscenza, l'ottenimento della domanda in linguaggio naturale, l'inserimento della domanda in linguaggio naturale nel modello del programmatore , ricevendo il programma come output del modello del programmatore ed eseguendo il programma sul grafico della conoscenza per produrre una risposta alla domanda del linguaggio naturale. – Natural Language Processing With An N-Gram Machine, brevetto n.: WO2019083519A1, data di pubblicazione: 2 maggio 2019 [3]

Punteggio di pertinenza del Knowledge Graph

Combina l'apprendimento del linguaggio automatico e i grafici dei dati per collegare il contesto della domanda del pubblico alle tue risposte. Il punteggio di pertinenza di Google KG utilizza LM pre-addestrato per assegnare un punteggio ai nodi su KG condizionati per una risposta alla domanda. Google ha un quadro generale per la ponderazione delle informazioni all'interno dei suoi KG. Il suo machine learning utilizza il ragionamento congiunto su testo e KG. In questo modo collega il contesto delle domande con il contenuto della risposta utilizzando LM e reti neurali a grafo.

Nel complesso, i KG di Google sono più efficienti e affidabili delle pagine web. Quindi dove sta andando?

I KG che rispondono alle domande cercano di fornire conoscenze verificate

Gooogle Knowledge Graph fornisce risposte dirette alle domande

I fatti forniti dal Google Knowledge Graph in risposta a una query sono inizialmente derivati ​​da altre fonti. (Fino a poco tempo fa, questo proveniva in gran parte da Wikipedia e Wikidata). Google lavora duramente per fidarsi di tutte le informazioni che popolano i suoi KG. Deve essere difficile soddisfare le domande in modo accurato. Ad esempio, per rispondere a "Chi erano i fondatori di Google?", il Knowledge Graph deve estrarre qui una tripla (soggetto-predicato-oggetto) sulla falsariga di "[Organizzazione] fondata da [Persona(e)]"

Wikipedia e Wikidata forniscono informazioni precise del genere.

Aaron Bradly, Knowledge Graph Strategist presso Electronic Arts, ha posto una domanda affascinante su Twitter qualche anno fa. "Vale a dire, una domanda di fondo più grande è se dovremmo considerare i 'fatti' forniti dal Google Knowledge Graph come effettivamente corretti (e se Google stesso considera i 'fatti' forniti dal grafico come effettivamente corretti)."

Si può capire rapidamente perché le "risposte" e i "fatti" forniti dal Knowledge Graph devono essere considerati attendibili dagli utenti.

Bradley prosegue dicendo: “Quindi il grafico deve fare affidamento sull'affidabilità delle sue fonti per determinare quali affermazioni fare. Tanto che Google ha riflettuto sui metodi per migliorare il modo in cui determinano l'affidabilità di una fonte. In definitiva l'affermazione fornita è "da qualche parte". E questo diventa problematico quando il carico utile di una risposta (in particolare la voce) non include informazioni sulla provenienza. Sia gli aggregatori di conoscenza (qui Google) che gli utenti di conoscenza (qui ricercatori) devono lavorare per migliorare il modo in cui elaboriamo queste domande e risposte. [4]

Larry Page e Sergey Brin, i fondatori di Google, sono riemersi dopo la loro partenza nel 2019 per rivedere la strategia dei prodotti di intelligenza artificiale di Google. Hanno approvato piani e presentato idee per aggiungere nuove funzionalità di chatbot nel motore di ricerca di Google. I massicci licenziamenti del personale di Google nel gennaio 2023 seguono il suo rinnovato impegno a mettere l'IA al centro dei loro piani. [5]

Puoi utilizzare l'API Google Knowledge Graph Search per cercare o cercare entità in Google Knowledge Graph. Google Cloud offre il seguente esempio di codice di markup dello schema: [6]

{
  "@contesto": {
    "@vocab": "http://schema.org/"
  },
  "@type": "Elenco elementi",
  "itemListElement": [
    {
      "risultato": {
        "@id": "c-07xuup16g",
        "nome": "Università di Stanford",
        "description": "Università privata a Stanford, California",
        "descrizione dettagliata": {
          "articleBody": "La Stanford University, ufficialmente Leland Stanford Junior University, è un'università privata di ricerca a Stanford, in California. Il campus occupa 8.180 acri, tra i più grandi degli Stati Uniti, e accoglie oltre 17.000 studenti. ",
          "url": "https://en.wikipedia.org/wiki/Stanford_University",
          "licenza": "https://en.wikipedia.org/wiki/Wikipedia:Text_of_Creative_Commons_Attribution-ShareAlike_3.0_Unported_License"
        },
        "url": "http://www.stanford.edu/",
        "Immagine": {
          "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"
        },
        "identificatore": [
          {
            "@type": "ValoreProprietà",
            "propertyID": "googleKgMID",
            "valore": "/m/06pwq"
          },
          {
            "@type": "ValoreProprietà",
            "propertyID": "googlePlaceID",
            "valore": "ChIJneqLZyq7j4ARf2j8RBrwzSk"
          },
          {
            "@type": "ValoreProprietà",
            "propertyID": "wikidataQID",
            "valore": "Q41506"
          }
        ],
        "@genere": [
          "Luogo",
          "Organizzazione",
          "Cinema",
          "Società",
          "Organizzazione Educativa",
          "Cosa",
          "College o università"
        ]
      }
    }
  ]
}

Riteniamo che l'implementazione del markup dello schema sia estremamente utile. Se sei in doppio, leggi il nostro articolo sui pro e contro dell'aggiunta del markup dei dati strutturati.

Portando avanti la tua ricerca semantica e GKG

Se questo articolo aumenta la consapevolezza della tua ricerca semantica e della tecnologia dei grafici e ora sei ansioso di rispondere a tali opportunità, chiama Jeannie Hill al 651-206-2410.

Potenzia il tuo grafico di conoscenza personale o aziendale ottenendo il nostro Audit delle entità di query

Riferimenti:

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

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

[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