지식 그래프 질문 답변

게시 됨: 2023-01-25

Google 지식 그래프 질문 답변 기능이란 무엇입니까?

KGQA(Knowledge Graph Question Answer)는 검색 엔진 결과 페이지(SERP)에서 많은 공간을 차지하고 있습니다.

Google의 Knowledge Graph 질문 답변 기능은 웹사이트를 클릭하지 않고도 사용자의 질문에 답변합니다.

모든 검색 엔진은 검색자의 의도에 따라 최상의 정보를 반환하기를 희망합니다. 신뢰할 수 있는 답변 출처가 되려면 온라인에서 알려질 필요가 있습니다. Google은 쿼리 스트림을 이해하고 이를 사용하여 주제를 식별하고 웹에서 신뢰할 수 있는 데이터를 추출하여 온톨로지를 업데이트합니다. Google 카드, 지식 그래프(KG) 및 지식 컬렉션은 사용자가 Google과 상호작용하는 방법입니다. 검색 결과에 대한 "사람들이 묻는 질문"과 마찬가지로 Knowledge Graph 질문 답변은 Google SERP에서 사람들을 더 오래 유지합니다.

목차

  • Google 지식 그래프 질문 답변 기능이란 무엇입니까?
    • 지식 패널과 지식 그래프의 차이점은 무엇인가요?
    • 지식 패널과 Google 비즈니스 프로필의 차이점은 무엇인가요?
    • Google 지식 패널과 지식 보관소의 차이점은 무엇인가요?
  • 기계 학습으로 복잡한 질문에 답하기
  • Google이 유용하다고 생각하는 질문 답변 콘텐츠를 만드는 방법
  • 데이터 관련 질문에 답변하는 지식 그래프
  • KG 질문 답변 최적화를 위한 단계
  • Google 지식 패널 업데이트를 요청하는 방법은 무엇입니까?
  • 질문 답변 KG는 검증된 지식을 제공하고자 합니다.

먼저 기본 어휘를 설정합시다.

지식 패널과 지식 그래프의 차이점은 무엇인가요?

지식 그래프 는 검색 결과에 더 풍부한 지식 패널 을 제공하고 쿼리에 대한 답변을 반환하기 위해 소싱될 수 있습니다.

지식 패널을 Google 지식 그래프의 프런트엔드 표현으로 보는 데 도움이 됩니다. 패널 그래프 데이터에서 볼 수 있는 것보다 더 많은 데이터가 있습니다. 지식 정보 항목을 설정하면 Google은 이를 기반으로 정식 정보 소스로 간주합니다. 이 기술 대기업은 데스크톱 사용자 경험을 보완하기 위해 KG를 발명하지 않았습니다. 더 나은 모바일 쿼리 답변에 대한 요구에 대한 응답이었습니다. 너무 많은 사이트가 모바일 장치에서 끔찍했습니다. GKG는 사용자에게 정확한 정보를 제공하고자 합니다. 기본 목표는 사이트로 트래픽 을 유도하는 것이 아닙니다.

이전에는 Google이 정확성을 기준으로 웹페이지의 순위를 매기지 않는 것 같습니다. 오늘날 품질 평가자는 경험, 전문성, 권위 및 신뢰성(EEAT)을 평가하는 방법에 대한 더 많은 지침을 가지고 있습니다. 답변의 정확성은 신뢰 요인이며 가이드라인에 따르면 신뢰가 가장 중요한 요인입니다. 반대로 "정확성"은 항목이 지식 패널에 표시되는 요소입니다.

지식 패널은 Google 검색결과 페이지의 리치 결과 유형 중 하나입니다. 그들은 검색자에게 주어진 엔티티와 관련된 정보의 검증된 개요를 제공합니다.

지식 패널과 Google 비즈니스 프로필의 차이점은 무엇인가요?

Google 비즈니스 프로필(GBP)은 지식 패널과 거의 동일하게 보입니다. GBP는 특정 위치 또는 지정된 서비스 지역 내에서 고객에게 서비스를 제공하는 비즈니스에 고유합니다. GBP 액세스를 통해 비즈니스 소유자는 Google 지도 및 검색에서 디지털 입지를 관리할 수 있습니다. 이것은 무료입니다. 반대로 Google 지식 패널(GKP)은 온라인 법인에 대한 정보를 사용하여 Google에서 자동으로 생성합니다. 전파와 그 안에서 업데이트하기로 선택한 항목을 완전히 제어할 수 있습니다.

Google 지식 패널과 지식 보관소의 차이점은 무엇인가요?

기계가 읽을 수 있는 백과사전을 생성하는 알고리즘에 의해 생성된 GKV(Google Knowledge Vault)를 생각해 보십시오.

Google은 지식 패널에 표시되는 내용이 정확하고 유용하다고 확신하는 경우에만 GKV에 정보를 추가합니다. GKV는 전적으로 기계 학습 및 기계 논리를 기반으로 합니다. 여러 도메인의 개별 항목은 Google의 글로벌 지식 알고리즘이 지정된 항목을 이해하는 데 충분한 신뢰를 얻은 후에만 Knowledge Vault로 이동됩니다.

“…우리는 웹 콘텐츠(텍스트 분석, 표 데이터, 페이지 구조 및 인간 주석을 통해 얻은)에서 추출한 내용과 기존 지식 저장소에서 파생된 사전 지식을 결합하는 웹 규모의 확률적 지식 기반인 Knowledge Vault를 소개합니다. 우리는 이러한 고유한 정보 소스를 융합하기 위해 감독 기계 학습 방법을 사용합니다. Knowledge Vault는 이전에 게시된 구조화된 지식 저장소보다 훨씬 더 크며 보정된 사실 정확성 확률을 계산하는 확률적 추론 시스템을 갖추고 있습니다.” – Knowledge Vault: 확률론적 지식 융합에 대한 웹스케일 접근 방식 [1]

기계 학습으로 복잡한 질문에 답하기

Google은 일일 검색어의 93%를 수신합니다. 전통적으로 검색 엔진으로 기능하고 제품이나 서비스로 끝나는 방식입니다. 질의 응답 기능을 개선하기 위해 Google 특허는 "NLP(자연어 처리)는 자연어 문서에 포함된 정보를 기반으로 자연어 질문에 답하는 것을 포함할 수 있습니다."라고 명시합니다.

"설명된 기술을 사용하면 기계 학습 기반 방법을 사용하여 웹 검색에서 증거를 수집하고 분석하여 자연어 질문에 답할 수 있습니다." – [2]

그러나 지식 기반에 항목을 추가하기 전에 Google은 먼저 묻는 질문을 알고리즘적으로 이해해야 합니다. 질문을 유발한 쿼리 의도를 이해하려고 합니다. 모호한 쿼리의 경우 의미론적 해석은 복잡한 질문에 답하는 데 도움이 되며 인간의 인지를 복제하려고 합니다. 웹 기사는 게시 날짜나 마지막 업데이트 날짜를 표시하지 못하는 경우가 많습니다. 반면 Google의 Knowledge Graph는 지속적으로 업데이트됩니다. 예를 들어 이 글을 위해 어떤 글을 인용하려 하다가 먼저 조사를 해보니 "이 글은 3년 이상 된 글입니다."

MarketWatch는 "시맨틱 지식 기반 산업은 2023년까지 330억 달러의 가치가 있을 것이며 나머지 10년 동안 매년 10% 성장할 것"이라고 추정합니다. 2023년 1월 18일, 시간 및 비용과 관련된 시맨틱 지식 그래프 시장 규모는 향후 2029년까지 업계를 성장시킬 것으로 예상 됩니다. 기사에는 시맨틱 검색, 질문 및 답변 기계 및 정보 검색이 포함됩니다.

과학적 혁신의 증가가 더 나은 KG에 얼마나 많은 기여를 했는지는 생각이 쪼개질 것입니다. 마찬가지로 디지털 마케터와 SEO는 빠르게 적응함으로써 이점을 얻습니다.

KG는 일반적으로 (주체 엔터티, 관계, 객체 엔터티) 또는 (주제 엔터티, 속성, 값)의 형태로 팩트를 트리플로 저장하는 대규모 시맨틱 네트워크로 간주됩니다. 그래프의 가장자리는 이러한 엔터티 간의 관계를 나타냅니다. 대부분의 KG는 서로 다른 기존 데이터 소스 위에 구축되어 데이터를 연결합니다. GPTChat이 GPT3에 등장하기 전까지 Google은 DBpedia, Freebase 및 YAGO와 같은 다른 대규모 KG의 위협을 받지 않았습니다.

보다 인간적인 질문 답변에 대한 추진

경쟁은 Goole, OpenAI, Bing 및 다른 사람들 사이에서 비교할 수 없는 규모로 진행되어 정보에 대한 링크 대신 질문에 대한 더 인간적인 답변을 제공합니다. Google은 검색 엔진과 지식 패널을 개선하기 위해 다양한 대형 AI 언어 모델을 지속적으로 사용하고 테스트합니다.

'지식 그래프'라는 용어는 방대한 관계형 패밀리를 가지고 있습니다. 여기에는 지식 그래프, 그래프 데이터베이스, 지식 보관소, 지식 패널, 신경망, 기계 학습, NLP, 인공 지능, 연결된 데이터, 지식 그래프 임베딩, 지식 이전, 이전 학습, KRL(Knowledge Representation Learning) 등의 분야가 포함됩니다. ! 유료 검색 및 사소한 사이트 성능 개선에 돈을 쓰는 것은 질문 답변 콘텐츠 격차를 효과적으로 채우는 것과 비교할 때 무색합니다. 아래 제안은 내 자신의 경험에서 나온 것입니다.

회사의 데이터 기반 시스템은 과학적 접근 방식과 그 적용에 대한 신뢰를 구축하는 것으로 평가됩니다. KG(Knowledge Graph) QA(질문 응답) 기능은 자연어 인터페이스를 통해 액세스할 수 있는 복잡한 데이터 구조에 의존합니다.

Google이 유용하다고 생각하는 질문 답변 콘텐츠를 만드는 방법

Google에 알리는 질문 답변 콘텐츠를 만드는 방법 - 예: Lake Itaska

새로운 SEO는 Google이 일종의 답변 엔진 임을 이해하고 피드합니다.

검증 데이터를 더 많이 게시할수록 거대 기술 기업은 데이터를 더 많이 연결할 수 있습니다. 이러한 방식으로 귀하의 엔티티에 대한 사실이 무엇인지 이해하는 검색 엔진의 작업을 용이하게 합니다. 귀하에 대해 이야기하는 다양한 제3자 간에 귀하의 구조화된 데이터를 연결할 때 도움을 제공합니다. Google은 구조화된 데이터 구현이 그래프 또는 노드 배열을 통해 연결되는지 여부와 페이지의 자체 블록에 개별 요소로 포함되는지에 대해 선호하지 않습니다.

  • FAQ 콘텐츠: 회사는 Google이 질문-답변 정보 페이지를 크롤링하고 수집하는 데 도움이 되도록 스키마로 마크업된 데이터베이스를 만들 수 있습니다. Google은 웹사이트의 FAQ 콘텐츠를 소싱하도록 선택할 수 있습니다.
  • 웹사이트 주제 클러스터: 명확한 온톨로지가 있는 정보는 주제 전문 지식을 나타내는 데 사용할 수 있습니다. 지식 그래프는 Google이 신뢰하는 웹 데이터를 사용하여 항목을 구성합니다. 다른 데이터 세트에서 기본 소스가 될 수 있습니다. 이러한 방식으로 귀하는 데이터 게시자입니다. 지식 패널을 신청한 경우 지식 패널 업데이트를 트리거하는 더 안정적이고 빠른 방법일 수 있습니다.
  • 정확한 제품 데이터베이스: 제품 데이터베이스를 최신 상태로 유지하는 완벽한 작업을 수행하는 한 Google이 제품 사실에 대한 높은 확신과 신뢰를 얻는 데 도움이 됩니다. 온라인의 브랜드와 제품이 명확하고 일관되면 Google은 사용자에게 정확하고 관련성 높은 정보를 더 자신 있게 보여줄 수 있습니다. 온라인 존재와 관련하여 모든 것에 일관성을 유지하십시오. 동일한 철자, 제목, 저자 약력, 작업 장소 등으로 이동합니다.
  • 이미지 데이터 세트 업로드: 특정 데이터베이스에서 나오는 이미지를 답변과 연결하고 지식 그래프를 채울 수 있습니다. 제품 QA 데이터 세트의 존재와 정확성은 비교 가능성을 보장하는 데 도움이 됩니다.
  • FactClaim 스키마 마크업 사용: Google 검색 결과는 종종 사람, 장소 및 사물에 대한 수십억 개의 사실이 포함된 Knowledge Graph 저장소에서 가져옵니다. 귀하의 의견을 뒷받침하는 사실적이고 통계적인 콘텐츠를 포함함으로써 관련 사실 기반 출처에 대한 귀하의 인식과 지식을 보여줍니다.
  • 일관된 이름, 주소, 전화번호: 2023년에는 Google 비즈니스 프로필을 관리할 수 있는 더 많은 방법이 있습니다. 하지만 NAP는 Google에서 법인을 식별하는 방법의 기초입니다. 안정적인 주소를 갖고 Google 지도에서 할당된 주소를 사용하는 것이 가장 좋습니다. 지식 그래프는 Google 지도와 밀접한 관련이 있습니다. NAP 일관성 형식의 구조화된 데이터, 구조화된 정보(이름, 주소, 전화번호 및 이러한 정보가 Google 지도 업데이트에 어떤 영향을 미치는지)를 기반으로 합니다. 동일한 유형의 일관성이 GKG를 제공합니다.
  • 자동 Google 비즈니스 프로필 FAQ 텍스트 응답: 자동 FAQ 응답을 Google 비즈니스 프로필에 직접 추가할 수 있습니다. 질문에 답하는 자동화된 양방향 대화 기능을 합니다.
  • 효과적인 Google Post 전략 통합: Google Scholar 저자, 유명 브랜드 및 미국 선출직 공무원은 지식 패널을 주장할 기회를 활용하지 않습니다. 그러면 콘텐츠에 대한 지식 그래프 전략의 일부가 되어야 하는 Google 게시물에 대한 액세스 권한이 제공됩니다.
  • 청중 데이터 및 시장 조사 사용: 초기 시장 조사는 혁신적인 콘텐츠 캠페인 및 KG 전략을 강화할 수 있는 청중 데이터 통찰력을 제공합니다. 지식 기반은 먼저 사람들의 쿼리 의도와 관련하여 "중요한" 정도에 따라 질문을 분류합니다.

웹사이트에서 구조화된 데이터를 사용하는 방법에 대해 자세히 알아보기:

주로 Mastodon에 명시된 구조화된 데이터 작업을 하는 Google의 Ryan Levering은 다음과 같이 말했습니다. 그것은 함께 뭉개지고 어디에서 왔는지 알지만 일반적으로 사용되지 않습니다. 그러나 여기서 주의할 점은 여러 블록에서 할 때 때때로 충돌/중복 문제가 있다는 것입니다. 또한 시간이 지남에 따라 더 풍부하고 정확한 의미론은 더 많은 연결된 그래프를 선호할 것입니다. 우리는 여전히 사람들이 페이지의 다른 블록에서 주요 엔터티와 동일한 최상위 수준에 있는 항목(예: 관련 제품)에 대해 관련 없는 마크업을 던지는 경우를 봅니다. 따라서 때때로 논리를 중앙 집중화하면 논리가 더 일관되고 정확해집니다.”

데이터 관련 질문에 답변하는 지식 그래프

그래프의 목표는 용어, 논리 및 정답의 실측값으로 작동하는 기능입니다.

다음은 지식 그래프의 작동 방식에 대한 Google의 인용문입니다.

“Google의 검색 결과에는 때때로 사람, 장소 및 사물에 대한 수십억 개의 사실 데이터베이스인 Knowledge Graph에서 가져온 정보가 표시됩니다. Knowledge Graph를 사용하면 '에펠탑의 높이는 얼마입니까?'와 같은 사실에 입각한 질문에 답할 수 있습니다. 또는 '2016년 하계 올림픽이 개최된 곳은 어디였습니까?' Knowledge Graph에 대한 우리의 목표는 우리 시스템이 유용하다고 판단될 때 공개적으로 알려진 사실 정보를 발견하고 표시하는 것입니다.” – Google의 지식 그래프 작동 방식

서로 연결된 관계 및 개념을 보여주는 정보를 지식 그래프에 제공할 수 있습니다. 챗봇 인공 지능에 대한 막대한 투자가 진행되는 동안 우리는 현재 질문을 이해하고 답변하기 위해 도메인 모델이 필요하다는 것을 알고 있습니다. 기계 학습은 문장과 사용 사례에 대한 방대한 지식 기반을 생성할 수 있지만 정적 챗봇에는 한계가 있습니다.

Google은 데이터 지식 정보 항목이 업데이트되기 전에 먼저 신뢰를 구축하기 위해 특정 주제에 대한 정보를 수집합니다. 그래프는 Google이 정보를 쉽게 저장하고 검색할 수 있도록 데이터 관련 질문에 답하는 데 도움이 됩니다. 기본적으로 질문을 이해하고, 질문을 지식 그래프에 연결하고, 답을 추론하는 것으로 귀결됩니다.

KG 질문 답변 최적화를 위한 권장 단계:

  1. 무엇을, 누가, 어디서, 왜, 그리고 어떻게 출판물을 관리하는지 살펴보십시오.
  2. 외부에서 소싱할 수 있는 내부 QA 데이터를 식별합니다.
  3. 어디서 찾을 수 있는지 알아보십시오.
  4. 이미 어떻게, 누구에 의해, 어떻게, 왜 사용되고 있는지 알아보십시오.
  5. 그래프를 사용하여 클러스터, 코호트 및 그룹을 분석하여 더 많은 가치를 제공하는 방법을 식별합니다.
  6. 엔터티 관계 내에서 컨텍스트, 그룹 신호 및 역학 관계와 관련된 QA 데이터 신호를 모니터링하는 데 도움이 되도록 경고를 설정합니다.
  7. 그래프 QA 콘텐츠를 관리하고 공급하기 위한 유지 관리 시간을 예약합니다.

자연어 처리 및 그래프 정렬 관리를 통해 충돌하는 엔터티 또는 관계 정의 사례를 쉽게 찾을 수 있습니다. Google의 패널, 그래프 및 볼트는 엔터티 해상도에 관한 것입니다.

제어하는 플랫폼에서 질문에 답하기 전에 먼저 질문을 지능적으로 이해하십시오. 검색자의 의도와 질문에 필요한 핵심 정보를 알아야 합니다. 검색 엔진은 지식 그래프 포함에 유용한 명명된 엔터티를 검색하여 주요 정보를 추출합니다. 자신을 신뢰하기 위해 KG에서 답을 유추하기 전에 선택합니다.

Google 지식 패널 업데이트를 요청하는 방법은 무엇입니까?

Google은 소유권이 주장된 Knowledge Graph 소유자에게 업데이트를 요청하고 문제를 보고할 수 있는 방법을 제공합니다. 직접 피드백을 제공할 수 있는 능력을 얻으면 더 쉽습니다. 즉각적인 답변은 웹 크롤링 및 사용자 피드백에서 정기적으로 업데이트됩니다.

“저명한 개인이나 TV 프로그램 제작자와 같이 지식 패널에 정보가 포함된 주체는 자체 권한이 있으며 이러한 주체가 직접 피드백을 제공할 수 있는 방법을 제공합니다. 따라서 표시되는 정보 중 일부는 자체 지식 패널에서 사실에 대한 수정을 제안한 확인된 엔터티에서 가져온 것일 수도 있습니다. – 지식 패널에 대해

"또한 소유권을 주장한 지식 패널에 대한 변경을 제안하는 사람을 포함하여 다양한 방식으로 콘텐츠 소유자로부터 직접 사실 정보를 받습니다." – Google의 지식 그래프 작동 방식

의미론적 지식 그래프를 얻는 주요 이점은 브랜드 명확성, 데이터 복구 및 판매 경험을 제공한다는 점입니다. 그러나 너무 많은 사람들이 질문을 하기 때문에 데이터를 통합하고 답변을 제공하는 데 사용할 수 있는 기능도 고려하는 것이 중요합니다. 이런 식으로 가치가 있음을 증명하는 소매업체가 아닌 것은 무엇입니까?

질문 답변 정보 검색은 어떻게 작동합니까?

Google은 확신할 수 있는 소스에서 질문 클러스터 콘텐츠를 함께 가져옵니다.

2023년은 점점 더 많은 리드 전환이 검색 엔진 결과 페이지(SERP)에서 직접 발생함에 따라 Knowledge Graphs 전략을 개선하는 시대입니다. Google은 법인에 대해 신뢰할 수 있는 항목을 평가하고 Knowledge Graph, Knowledge 패널 및 Knowledge Vault에 포함할 항목을 선택합니다. 대상 청중과 고객에 대해 알고 있습니다. 최고의 답변을 제공하기 위해 웹 전반에 걸쳐 귀하의 강점과 지식을 일치시키려고 합니다. 청중 조사 및 SERP 분석은 마케팅 접근 방식을 알려줄 수 있습니다.

Google이 웹 페이지에서 QA 엔터티 정보를 추출하면 해당 엔터티와 관련된 연관 점수 및 다른 엔터티와의 관계가 결정됩니다. 해당 엔터티의 속성을 설명하는 사실적 답변에 많은 관심을 기울입니다. 최고의 마케팅 전략을 결정했다면 SERP 결과를 개선하기 위해 특정 마케팅 조치를 취한 마케팅 전술로 옮길 때입니다. 현재와 ​​미래에는 QA 정보 검색과 KG에 알리는 방법을 이해하는 것이 효과적인 SEO의 필수 요소입니다.

우리는 자연어 처리 모델이 자연어 텍스트 질문에 어떻게 대답할 수 있는지 Google 특허에서 배웁니다.

“컴퓨팅 시스템에는 자연어 텍스트 본문을 받아 지식 그래프를 출력하도록 훈련된 인코더 모델과 자연어 질문을 받아 프로그램을 출력하도록 훈련된 프로그래머 모델이 포함된 기계 학습 자연어 처리 모델이 포함됩니다. 컴퓨팅 시스템은 실행될 때 프로세서로 하여금 작업을 수행하게 하는 명령을 저장하는 컴퓨터 판독 가능 매체를 포함합니다. 동작은 자연어 텍스트 본문 획득, 자연어 텍스트 본문을 인코더 모델에 입력, 인코더 모델의 출력으로 지식 그래프 수신, 자연어 질문 획득, 프로그래머 모델에 자연어 질문 입력을 포함합니다. , 프로그래머 모델의 출력으로 프로그램을 수신하고 지식 그래프에서 프로그램을 실행하여 자연어 질문에 대한 답변을 생성합니다.” – N-Gram Machine을 이용한 자연어 처리, 특허번호: WO2019083519A1, 공개일자: 2019년 5월 2일 [3]

지식 그래프 관련성 점수

기계 언어 학습과 데이터 그래프를 결합하여 청중 질문의 맥락을 답변에 연결합니다. Google KG 관련성 채점은 선행 학습된 LM을 사용하여 질문 응답 조건이 지정된 KG의 노드를 채점합니다. Google은 KG 내에서 정보에 가중치를 부여하기 위한 일반적인 프레임워크를 가지고 있습니다. 기계 학습은 텍스트와 KG에 대한 공동 추론을 사용합니다. 이러한 방식으로 LM 및 그래프 신경망을 사용하여 질문의 컨텍스트를 답변 내용과 연결합니다.

전반적으로 Google KG는 웹페이지보다 더 효율적이고 신뢰할 수 있습니다. 그래서 이것은 어디로 가고 있습니까?

질문 답변 KG는 검증된 지식을 제공하고자 합니다.

Google Knowledge Graph는 쿼리에 대한 직접적인 답변을 제공합니다.

쿼리에 대한 응답으로 Google Knowledge Graph에서 제공하는 사실은 처음에 다른 소스에서 파생됩니다. (최근까지 이것은 주로 Wikipedia 및 Wikidata에서 가져왔습니다.) Google은 KG를 채우는 모든 정보를 신뢰하기 위해 노력합니다. 쿼리를 정확하게 만족시키는 것은 어려울 것입니다. 예를 들어 "Google의 창립자는 누구였습니까?"라는 질문에 답하려면 Knowledge Graph는 여기에서 "[사람]이 [조직]을 설립함" 행을 따라 트리플(주어-술어-목적어)을 추출해야 합니다.

Wikipedia와 Wikidata는 그런 정확한 정보를 제공합니다.

Electronic Arts의 Knowledge Graph 전략가인 Aaron Bradly는 몇 년 전 Twitter에서 흥미로운 질문을 했습니다. "다시 말해, 더 근본적인 문제는 Google Knowledge Graph에서 제공하는 '사실'이 사실에 입각하여 올바른 것으로 간주해야 하는지 여부입니다(그리고 Google 자체에서 Graph에서 제공하는 '사실이 사실에 근거하여 올바른 것으로 간주하는지 여부)."

Knowledge Graph가 제공하는 "답변"과 "사실"을 사용자가 신뢰해야 하는 이유를 금방 알 수 있습니다.

Bradley는 계속해서 말합니다. Google은 소스의 신뢰성을 결정하는 방법을 개선하는 방법을 고민했습니다. 궁극적으로 제공된 어설션은 '어딘가에서'입니다. 그리고 이것은 응답의 페이로드(특히 음성)에 출처 정보가 포함되어 있지 않을 때 문제가 됩니다. 지식 수집자(여기서는 Google)와 지식 사용자(여기서는 검색자) 모두 이러한 질문과 답변을 처리하는 방법을 개선하기 위해 노력해야 합니다.” [4]

Google의 창립자인 Larry Page와 Sergey Brin은 Google의 인공 지능 제품 전략을 검토하기 위해 2019년 회사를 떠난 후 다시 나타났습니다. 그들은 Google의 검색 엔진에 새로운 챗봇 기능을 추가하기 위한 계획을 승인하고 아이디어를 제시했습니다. Google의 2023년 1월 대규모 직원 해고는 AI를 계획의 중심에 두겠다는 새로운 약속에 따른 것입니다. [5]

Google 지식 그래프 검색 API를 사용하여 Google 지식 그래프에서 엔터티를 검색하거나 조회할 수 있습니다. Google Cloud는 다음과 같은 스키마 마크업 코드 예시를 제공합니다. [6]

{
  "@문맥": {
    "@vocab": "http://schema.org/"
  },
  "@type": "항목 목록",
  "항목 목록 요소": [
    {
      "결과": {
        "@id": "c-07xuup16g",
        "이름": "스탠포드 대학교",
        "description": "캘리포니아 스탠포드에 있는 사립 대학교",
        "상세 설명": {
          "articleBody": "Stanford University(공식적으로 Leland Stanford Junior University)는 캘리포니아주 스탠포드에 있는 사립 연구 대학입니다. 캠퍼스는 미국에서 가장 큰 8,180에이커에 달하며 17,000명 이상의 학생이 재학 중입니다. ",
          "url": "https://en.wikipedia.org/wiki/Stanford_University",
          "라이선스": "https://en.wikipedia.org/wiki/Wikipedia:Text_of_Creative_Commons_Attribution-ShareAlike_3.0_Unported_License"
        },
        "url": "http://www.stanford.edu/",
        "이미지": {
          "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"
        },
        "식별자": [
          {
            "@type": "속성 값",
            "propertyID": "googleKgMID",
            "값": "/m/06pwq"
          },
          {
            "@type": "속성 값",
            "propertyID": "googlePlaceID",
            "값": "ChIJneqLZyq7j4ARf2j8RBrwzSk"
          },
          {
            "@type": "속성 값",
            "propertyID": "wikidataQID",
            "값": "Q41506"
          }
        ],
        "@유형": [
          "장소",
          "조직",
          "영화관",
          "법인",
          "교육 조직",
          "물건",
          "대학 또는 대학교"
        ]
      }
    }
  ]
}

우리는 스키마 마크업을 구현하는 것이 매우 유용하다는 것을 알게 되었습니다. 이중에 있다면 구조화된 데이터 마크업 추가의 장단점 문서를 읽어보세요.

시맨틱 검색 및 GKG 발전

이 기사가 시맨틱 검색 및 그래프 기술에 대한 인식을 높이고 이제 그러한 기회에 응답하고 싶다면 651-206-2410으로 Jeannie Hill에게 전화하십시오.

쿼리 엔터티 감사 를 획득하여 개인 또는 비즈니스 지식 그래프를 향상시키십시오.

참조:

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

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

[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