Knowledge Graph-Fragebeantwortung

Was ist die Knowledge Graph-Frage-Antwort-Funktion von Google?

Knowledge Graph Question Answering (KGQA) nimmt viel Platz auf den Ergebnisseiten von Suchmaschinen (SERPs) ein.

Die Fragebeantwortungsfunktion Knowledge Graph von Google beantwortet die Fragen der Nutzer, ohne dass sie sich zu einer Website durchklicken müssen.

Jede Suchmaschine hofft, basierend auf der Absicht des Suchenden die besten Informationen zurückzugeben. Um eine vertrauenswürdige Anlaufstelle für Antworten zu sein, müssen Sie online bekannt sein. Google versteht Abfrageströme und verwendet sie, um Themen zu identifizieren und vertrauenswürdige Daten aus dem Web zu extrahieren, um Ontologien zu aktualisieren. Google Cards, Knowledge Graphs (KGs) und Wissenssammlungen sind eine Möglichkeit für Nutzer, mit Google zu interagieren. Wie „Menschen stellen auch“ Fragen zu Suchergebnissen, hält die Knowledge Graph-Fragebeantwortung Menschen länger auf Google SERPs.

Inhaltsverzeichnis

• Was ist die Knowledge Graph-Frage-Antwort-Funktion von Google?
  • Was ist der Unterschied zwischen Knowledge Panels und Knowledge Graphs?
  • Was ist der Unterschied zwischen Knowledge Panels und Google-Unternehmensprofilen?
  • Was ist der Unterschied zwischen dem Knowledge Panel von Google und dem Knowledge Vault?
• Komplexe Fragen mit maschinellem Lernen beantworten
• So erstellen Sie Frage-Antwort-Inhalte, die Google hilfreich findet
• Knowledge Graphs beantworten datenbezogene Fragen
• Schritte zur KG-Frage-Antwort-Optimierung
• Wie fordere ich ein Google Knowledge Panel-Update an?
• KGs, die Fragen beantworten, versuchen, verifiziertes Wissen bereitzustellen

Lassen Sie uns zunächst ein grundlegendes Vokabular aufbauen.

Was ist der Unterschied zwischen Knowledge Panels und Knowledge Graphs?

Wissensgraphen können bezogen werden, um reichhaltigere Wissensbereiche in Suchergebnissen bereitzustellen und Antworten auf Abfragen zurückzugeben.

Es ist hilfreich, Knowledge Panels als Front-End-Manifestation des Google Knowledge Graph zu betrachten. Hinter dem, was wir in Paneldiagrammdaten sehen, stecken mehr Daten. Sobald Sie eine Knowledge Graph-Entität eingerichtet haben, verlässt sich Google darauf und betrachtet sie als kanonische Informationsquelle. Der Technologieriese hat das KG nicht als Ergänzung zu Desktop-Benutzererfahrungen erfunden; Es war eine Reaktion auf die Notwendigkeit besserer Antworten auf mobile Anfragen. So viele Websites waren (und sind immer noch) auf Mobilgeräten schrecklich. Die GKG beabsichtigt, ihre Nutzer wahrheitsgetreu zu informieren; Das Hauptziel besteht nicht darin, den Verkehr auf Ihre Website zu lenken.

Bisher scheint Google Webseiten nicht auf der Grundlage der Genauigkeit zu ordnen. Heutzutage haben die Qualitätsbewerter mehr Anweisungen zur Bewertung von Erfahrung, Fachwissen, Autorität und Vertrauenswürdigkeit (EEAT). Die Genauigkeit der Antworten ist ein Vertrauensfaktor, und die Richtlinien sagen uns, dass Vertrauen der wichtigste Faktor ist. Im Gegensatz dazu ist „Genauigkeit“ ein Faktor, bei dem Entitäten in Knowledge Panels angezeigt werden.

Knowledge Panels sind ein Rich-Ergebnistyp auf den Suchergebnisseiten von Google. Sie geben Suchenden einen geprüften Überblick über Informationen zu einer bestimmten Entität.

Was ist der Unterschied zwischen Knowledge Panels und Google-Unternehmensprofilen?

Google Business Profiles (GBP) sieht ähnlich aus wie seine Knowledge Panels. GBP sind einzigartig für Unternehmen, die Kunden an einem bestimmten Standort oder innerhalb eines bestimmten Servicebereichs bedienen. Mit GBP-Zugriff können Geschäftsinhaber ihre digitale Präsenz auf Google Maps und in der Suche verwalten. Das ist gratis. Im Gegensatz dazu wird Ihr Google Knowledge Panel (GKP) automatisch von Google generiert, wobei Informationen über Ihr Unternehmen online verwendet werden. Es hat die volle Kontrolle über seine Ausbreitung und was es darin aktualisiert.

Was ist der Unterschied zwischen dem Knowledge Panel von Google und dem Knowledge Vault?

Stellen Sie sich den Google Knowledge Vault (GKV) vor, wie er von einem Algorithmus produziert wird, der eine maschinenlesbare Enzyklopädie generiert.

Google fügt seinem GKV nur dann Informationen hinzu, wenn sichergestellt ist, dass das, was es in den Knowledge Panels anzeigt, korrekt und nützlich ist. Die GKV basiert ausschließlich auf maschinellem Lernen und maschineller Logik. Separate Entitäten aus mehreren Domänen werden erst dann in den Wissenstresor verschoben, wenn der globale Wissensalgorithmus von Google ausreichendes Vertrauen in sein Verständnis der angegebenen Entität erlangt hat.

„…wir stellen Knowledge Vault vor, eine probabilistische Wissensbasis im Webmaßstab, die Extraktionen aus Webinhalten (erhalten durch die Analyse von Text, Tabellendaten, Seitenstruktur und menschlichen Anmerkungen) mit Vorwissen kombiniert, das aus bestehenden Wissensspeichern stammt. Wir verwenden überwachte maschinelle Lernmethoden, um diese unterschiedlichen Informationsquellen zu verschmelzen. Der Knowledge Vault ist wesentlich größer als jeder zuvor veröffentlichte strukturierte Wissensspeicher und verfügt über ein probabilistisches Inferenzsystem, das kalibrierte Wahrscheinlichkeiten der Richtigkeit von Fakten berechnet.“ – Knowledge Vault: Ein webbasierter Ansatz zur probabilistischen Wissensfusion ^[1]

Komplexe Fragen mit maschinellem Lernen beantworten

Google erhält 93 % der täglichen Anfragen. So wie es traditionell als Suchmaschine funktioniert und zu Ihrem Produkt oder Ihrer Dienstleistung führt. Zur Verbesserung seiner Frage-Antwort-Fähigkeiten heißt es in einem Google-Patent: „Natural Language Processing (NLP) kann die Beantwortung von Fragen in natürlicher Sprache auf der Grundlage von Informationen umfassen, die in Dokumenten in natürlicher Sprache enthalten sind.“

„Die beschriebenen Techniken ermöglichen die Beantwortung einer Frage in natürlicher Sprache mithilfe von auf maschinellem Lernen basierenden Methoden, um Beweise aus Websuchen zu sammeln und zu analysieren.“ – ^[2]

Bevor jedoch Entitäten zu seiner Wissensdatenbank hinzugefügt werden, muss Google zunächst die gestellte Frage algorithmisch verstehen. Es versucht, die Abfrageabsicht zu verstehen, die die Frage ausgelöst hat. Bei mehrdeutigen Abfragen hilft die semantische Interpretation bei der Beantwortung komplexer Fragen und versucht, die menschliche Wahrnehmung zu replizieren. Bei Webartikeln wird häufig kein Veröffentlichungsdatum oder die letzte Aktualisierung angezeigt. Der Knowledge Graph von Google hingegen wird ständig aktualisiert. Zum Beispiel wollte ich gerade einen Artikel für dieses Schreiben zitieren, habe aber zuerst recherchiert und gesehen: „Dieser Artikel ist mehr als 3 Jahre alt.“

MarketWatch schätzt, dass „die semantische Wissensbasisbranche bis 2023 einen Wert von 33 Milliarden US-Dollar haben wird, mit einem jährlichen Wachstum von 10 % bis zum Ende des Jahrzehnts“. Sein Artikel vom 18. Januar 2023, Semantic Knowledge Graphing Market Size Relation to Time and Cost wird voraussichtlich in den kommenden Jahren bis 2029 wachsen , umfasst Semantic Search, Question and Answer Machine und Information Retrieval.

Es ist verblüffend, wie viel von einem Anstieg der wissenschaftlichen Innovation für bessere KGs aufgewendet wird. Gleichermaßen profitieren digitale Vermarkter und SEOs von einer schnellen Anpassung.

KGs werden im Allgemeinen als große semantische Netzwerke angesehen, die Fakten als Tripel in Form von (Subjektentität, Relation, Objektentität) oder (Subjektentität, Attribut, Wert) speichern. Die Kanten im Diagramm stellen die Beziehungen zwischen diesen Entitäten dar. Die meisten KGs bauen auf verschiedenen vorhandenen Datenquellen auf, um Daten zu verbinden. Bis GPTChat innerhalb von GPT3 auftauchte, war Google nicht von anderen großen KGs wie DBpedia, Freebase und YAGO bedroht.

Der Drang nach menschenähnlicheren Antworten auf Fragen

Der Wettbewerb zwischen Goole, OpenAI, Bing und anderen ist in einem beispiellosen Ausmaß, um menschenähnlichere Antworten auf Fragen zu liefern, anstatt nur Links zu Informationen zu liefern. Google verwendet und testet kontinuierlich verschiedene große KI-Sprachmodelle, um seine Suchmaschine und Knowledge Panels zu verbessern.

Der Begriff „Wissensgraph“ hat eine große relationale Familie; es umfasst die Bereiche Knowledge Graphs, Graph Databases, Knowledge Vaults, Knowledge Panels, Neural Networks, Machine Learning, NLP, Artificial Intelligence, Linked Data, Knowledge Graph Embedding, Knowledge Transfer, Transfer Learning, Knowledge Representation Learning (KRL) und mehr ! Geld für bezahlte Suche und triviale Verbesserungen der Website-Performance auszugeben verblasst im Vergleich zum effektiven Füllen von Frage-Antwort-Inhaltslücken. Die folgenden Vorschläge stammen aus meiner eigenen Erfahrung.

Die datengetriebenen Systeme des Unternehmens werden evaluiert, um Vertrauen in den wissenschaftlichen Ansatz und seine Anwendungen aufzubauen. Seine Knowledge Graph (KG) Question Answering (QA)-Fähigkeiten stützen sich auf komplexe Datenstrukturen, die über natürlichsprachliche Schnittstellen zugänglich gemacht werden.

So erstellen Sie Frage-Antwort-Inhalte, die Google hilfreich findet

Das neue SEO versteht, dass Google eine Art Antwortmaschine ist und füttert sie.

Je mehr Sie verifizierende Daten veröffentlichen, desto mehr kann der Technologieriese Daten verbinden. Auf diese Weise erleichtern Sie die Arbeit einer Suchmaschine, indem sie verstehen, was die Fakten über Ihr Unternehmen sind. Sie leisten Hilfe, wenn Sie Ihre eigenen strukturierten Daten über all die verschiedenen Drittanbieter hinweg verbinden, die über Sie sprechen. Google hat keine Präferenz dafür, ob die Implementierung strukturierter Daten durch ein Diagramm oder ein Node-Array verbunden ist oder ob sie als einzelne Elemente in ihren eigenen Blöcken auf der Seite vorhanden sind.

• FAQ-Inhalt: Ihr Unternehmen kann Datenbanken erstellen, die mit Schemas gekennzeichnet sind, um Google beim Crawlen und Aufnehmen von Frage-Antwort-Informationsseiten zu unterstützen. Google kann den FAQ-Inhalt Ihrer Website als Quelle verwenden.
• Website-Themencluster: Informationen mit einer klaren Ontologie können verwendet werden, um Themenexpertise zu kennzeichnen. Wissensgraphen organisieren Entitäten mithilfe von Webdaten, denen Google vertraut. Sie können die primäre Quelle in verschiedenen Datensätzen sein. Auf diese Weise sind Sie ein Datenherausgeber. Wenn Sie Ihr Knowledge Panel beansprucht haben, ist dies möglicherweise eine zuverlässigere und schnellere Möglichkeit, eine Knowledge Panel-Aktualisierung auszulösen.
• Genaue Produktdatenbank: Solange Sie Ihre Produktdatenbank tadellos auf dem neuesten Stand halten, helfen Sie Google, hohes Vertrauen in Ihre Produktfakten zu erlangen. Google ist zuversichtlicher, seinen Nutzern genaue und relevante Informationen zu zeigen, wenn Ihre Marke und Ihre Produkte online klar und konsistent sind. Bleiben Sie in allem konsistent, wenn es um Ihre Online-Präsenz geht. Achten Sie auf die gleiche Schreibweise, den gleichen Titel, die Biografie des Autors, den Arbeitsplatz usw.
• Bilddatensätze hochladen: Bilder, die aus dieser bestimmten Datenbank stammen, können Ihren Antworten zugeordnet werden und Ihren Wissensgraphen füllen. Das Vorhandensein und die Genauigkeit Ihrer Produkt-QA-Datensätze tragen zur Gewährleistung der Vergleichbarkeit bei.
• Verwenden Sie das FactClaim-Schema-Markup: Die Suchergebnisse von Google stammen häufig aus seinem Knowledge Graph-Repository mit Milliarden von Fakten über Personen, Orte und Dinge. Indem Sie sachliche, statistische Inhalte einbeziehen, die Ihre Meinungsbeiträge untermauern, zeigen Sie Ihr Bewusstsein und Wissen über relevante faktenbasierte Quellen.
• Konsistenter Name, Adresse, Telefon: Es gibt mehr Möglichkeiten, Ihr Google-Unternehmensprofil bis 2023 zu verwalten. Ihr NAP ist jedoch grundlegend dafür, wie Google Ihr Unternehmen identifiziert. Es funktioniert am besten, eine stabile Adresse zu haben und die in Google Maps zugewiesene zu verwenden. Knowledge Graphs sind eng mit Google Maps verwandt. Es basiert auf strukturierten Daten, strukturierten Informationen in Form von NAP-Konsistenz: Name, Adresse, Telefonnummer und wie diese einen Unterschied machen, um sicherzustellen, dass Google Maps aktualisiert wird. Die gleiche Konsistenz liefert das GKG.
• Automatisierte FAQ-Textantworten für das Google-Unternehmensprofil: Sie können automatisierte FAQ-Antworten direkt in Ihrem Google-Unternehmensprofil hinzufügen. Es funktioniert als automatisiertes Zwei-Wege-Gespräch mit Fragenbeantwortung.
• Integrieren Sie eine effektive Google Post-Strategie: Google Scholar-Autoren, namhafte Marken und gewählte US-Amtsträger nutzen die Gelegenheit nicht, Anspruch auf ihre Knowledge Panels zu erheben. Dies wiederum verschafft ihnen Zugriff auf Google Posts, die Teil Ihrer Knowledge-Graph-Strategie für Inhalte sein sollten.
• Verwenden Sie Zielgruppendaten und Marktforschung: Die anfängliche Marktforschung liefert Einblicke in die Zielgruppendaten, die innovative Inhaltskampagnen und KG-Strategien vorantreiben können. Eine Wissensdatenbank klassifiziert zuerst Fragen basierend darauf, wie „signifikant“ sie in Bezug auf die Abfrageabsicht der Personen sind.

Mehr zur Verwendung strukturierter Daten auf Ihrer Website:

Ryan Levering von Google, der hauptsächlich an strukturierten Daten arbeitet, sagte zu Mastodon: „Wie auch immer das Diagramm für die gesamte Seite aussieht, verwenden wir, unabhängig davon, woher es kommt. Es wird zusammengerührt und obwohl Sie wissen, woher es kommt, wird es normalerweise nicht verwendet. Der Vorbehalt hier ist jedoch, dass es manchmal zu Konflikt-/Duplizierungsproblemen kommt, wenn Sie dies in mehreren Blöcken tun. Außerdem wird eine reichhaltigere/korrektere Semantik mit der Zeit mehr verbundene Graphen begünstigen. Wir sehen immer noch Fälle, in denen Leute nicht verwandte Markups über Dinge (wie verwandte Produkte) auf der gleichen obersten Ebene wie die Hauptentität aus verschiedenen Blöcken auf der Seite werfen, und das macht es meistens zu Lärm. Manchmal macht die Zentralisierung der Logik sie konsistenter/korrekter.“

Knowledge Graphs beantworten datenbezogene Fragen

Ein Ziel von Graphen ist die Fähigkeit, als Grundwahrheit der Terminologie, Logik und richtigen Antworten zu fungieren.

Hier ist ein Zitat direkt von Google darüber, wie sein Knowledge Graph funktioniert.

„Die Suchergebnisse von Google zeigen manchmal Informationen, die aus unserem Knowledge Graph stammen, unserer Datenbank mit Milliarden von Fakten über Personen, Orte und Dinge. Der Knowledge Graph ermöglicht es uns, Sachfragen wie „Wie hoch ist der Eiffelturm?“ zu beantworten. oder "Wo fanden die Olympischen Sommerspiele 2016 statt." Unser Ziel mit dem Knowledge Graph ist es, dass unsere Systeme öffentlich bekannte, sachliche Informationen entdecken und anzeigen, wenn sie als nützlich erachtet werden.“ – Wie Googles Knowledge Graph funktioniert

Sie können Ihren Knowledge Graph mit Informationen füttern, die Beziehungen und miteinander verbundene Konzepte aufzeigen. Während enorme Investitionen in die künstliche Intelligenz von Chatbots getätigt werden, wissen wir derzeit, dass sie ein Domänenmodell benötigen, um Fragen zu verstehen und zu beantworten. Maschinelles Lernen kann eine riesige Wissensdatenbank mit Sätzen und Anwendungsfällen generieren, aber ein statischer Chatbot hat Einschränkungen.

Google sammelt Informationen zu einem bestimmten Thema oder Thema, um zunächst Vertrauen herzustellen, bevor ein Dateneintrag im Knowledge Graph aktualisiert wird. Diagramme helfen uns bei der Beantwortung datenbezogener Fragen, damit Google Informationen einfach speichern und abrufen kann. Es kommt im Grunde darauf an, Fragen zu verstehen, die Fragen mit Ihrem Knowledge Graph zu verbinden und die Antworten abzuleiten.

Vorgeschlagene Schritte für die KG-Frage-Antwort-Optimierung:

1. Suchen Sie nach was, wer, wo, warum und auch nach Veröffentlichungen, die Sie kontrollieren.
2. Identifizieren Sie, welche internen QA-Daten extern bezogen werden können.
3. Erfahren Sie, wo Sie es finden.
4. Erfahren Sie, wie es bereits verwendet wird, von wem, wie es verwendet werden kann und warum.
5. Verwenden Sie Diagramme, um zu ermitteln, wie Sie durch die Analyse ihrer Cluster, Kohorten und Gruppen einen Mehrwert bieten können.
6. Richten Sie Warnungen ein, um die Überwachung von QA-Datensignalen in Bezug auf Kontext, Gruppensignale und Dynamik innerhalb und mit Ihren Entitätsbeziehungen zu unterstützen.
7. Planen Sie Wartungszeiten ein, um Ihre Graph-QA-Inhalte zu verwalten und zu füttern.

Die Verarbeitung natürlicher Sprache und das Graph-Alignment-Management erleichtern das Auffinden von Fällen widersprüchlicher Entitäten oder Beziehungsdefinitionen. Bei den Panels, Grafiken und dem Tresor von Google geht es um die Auflösung von Entitäten.

Bevor Sie eine Frage auf einer von Ihnen kontrollierten Plattform beantworten, müssen Sie die Frage zuerst auf intelligente Weise verstehen. Sie sollten die Absicht des Suchenden und die für die Frage erforderlichen Schlüsselinformationen kennen. Suchmaschinen extrahieren Schlüsselinformationen, indem sie nach benannten Entitäten suchen, die für die Aufnahme von Wissensgraphen nützlich sind. Um selbst vertrauenswürdig zu sein, sind sie wählerisch, bevor sie die Antwort auf den KG ableiten.

Wie fordere ich ein Google Knowledge Panel-Update an?

Google bietet seinen angeblichen Knowledge Graph-Besitzern eine Möglichkeit, Updates anzufordern und Probleme zu melden. Es ist einfacher, wenn Sie die Fähigkeit erworben haben, direktes Feedback zu geben. Die sofortigen Antworten werden regelmäßig durch das Crawlen des Webs und das Feedback der Benutzer aktualisiert.

„Wir wissen auch, dass Entitäten, deren Informationen in Knowledge Panels enthalten sind (wie prominente Personen oder die Schöpfer einer Fernsehsendung), selbstautorisierend sind, und wir bieten diesen Entitäten Möglichkeiten, direktes Feedback zu geben. Daher können einige der angezeigten Informationen auch von verifizierten Entitäten stammen, die Änderungen an Fakten in ihren eigenen Knowledge Panels vorgeschlagen haben. – Über Wissenstafeln

„Wir erhalten auf verschiedene Weise auch Sachinformationen direkt von Inhaltseigentümern, einschließlich von denen, die Änderungen an von ihnen beanspruchten Knowledge Panels vorschlagen.“ – Wie Googles Knowledge Graph funktioniert

Viele sind der Ansicht, dass die Hauptvorteile eines semantischen Wissensgraphen darin bestehen, dass er Markenklarheit, Datenwiederherstellung und Verkaufserlebnisse bietet. Aber da so viele Menschen Fragen stellen, ist es wichtig, auch seine Fähigkeit zu berücksichtigen, Daten zu integrieren und sie für die Bereitstellung von Antworten zu verwenden. Was ist nicht der Einzelhändler, der sich auf diese Weise als wertvoll erweist?

Wie funktioniert die Frage-Antwort-Informationsabfrage?

Google stellt Fragen-Cluster-Inhalte aus Quellen zusammen, derer es sich sicher ist.

2023 ist die Ära der Verbesserung Ihrer Knowledge Graphs-Strategie, da immer mehr Lead-Conversions direkt auf Suchmaschinen-Ergebnisseiten (SERPs) stattfinden. Google bewertet, was es über Ihr Unternehmen vertrauen kann, und wählt aus, was in Ihren Knowledge Graph, Ihre Knowledge Panels und Ihren Knowledge Vault aufgenommen wird. Es kennt Ihre Zielgruppe und Kunden; Es versucht, Ihre Stärken und Ihr Wissen über das Web auszurichten, um die besten Antworten zu liefern. Zielgruppenforschung und SERP-Analyse können Ihren Marketingansatz beeinflussen.

Wenn Google QA-Entitätsinformationen von Webseiten extrahiert, werden Zuordnungsbewertungen, die diese Entitäten und ihre Beziehungen zu anderen Entitäten betreffen, bestimmt. Es kümmert sich sehr um sachliche Antworten, die die Eigenschaften dieser Entitäten beschreiben. Sobald Sie Ihre beste Marketingstrategie festgelegt haben, ist es an der Zeit, sie in Marketingtaktiken umzusetzen, bei denen Sie spezifische Marketingmaßnahmen ergriffen haben, um Ihre SERP-Ergebnisse zu verbessern. Sowohl heute als auch in Zukunft ist das Verständnis der QA-Informationsabfrage und der Information Ihrer KGs ein wesentlicher Bestandteil einer effektiven SEO.

Wir lernen aus Google-Patenten, wie ein Modell zur Verarbeitung natürlicher Sprache eine Textfrage in natürlicher Sprache beantworten kann.

„Ein Computersystem umfasst ein maschinell erlerntes Verarbeitungsmodell für natürliche Sprache, das ein Codierermodell enthält, das darauf trainiert ist, einen Textkörper in natürlicher Sprache zu empfangen und einen Wissensgraphen auszugeben, und ein Programmierermodell, das darauf trainiert ist, eine Frage in natürlicher Sprache zu empfangen und ein Programm auszugeben. Das Computersystem umfasst ein computerlesbares Medium, das Anweisungen speichert, die, wenn sie ausgeführt werden, bewirken, dass der Prozessor Operationen durchführt. Die Operationen umfassen das Erhalten des Textkörpers in natürlicher Sprache, das Eingeben des Textkörpers in natürlicher Sprache in das Codierermodell, das Empfangen des Wissensgraphen als Ausgabe des Codierermodells, das Erhalten der Frage in natürlicher Sprache, das Eingeben der Frage in natürlicher Sprache in das Programmierermodell , Empfangen des Programms als Ausgabe des Programmierermodells und Ausführen des Programms auf dem Wissensgraphen, um eine Antwort auf die Frage der natürlichen Sprache zu erhalten.“ – Natural Language Processing With An N-Gram Machine, Patent Nr.: WO2019083519A1, Veröffentlichungsdatum: 2. Mai 2019 ^[3]

Knowledge Graph-Relevanzbewertung

Kombinieren Sie maschinelles Sprachlernen und Datendiagramme, um den Kontext der Publikumsfrage mit Ihren Antworten zu verbinden. Die Google KG-Relevanzbewertung verwendet vortrainiertes LM, um Knoten auf KGs zu bewerten, die für eine Frageantwort konditioniert sind. Google hat einen allgemeinen Rahmen für die Gewichtung von Informationen innerhalb seiner KGs. Sein maschinelles Lernen verwendet gemeinsames Denken über Text und KGs. Auf diese Weise verbindet es den Kontext von Fragen mit Antwortinhalten, indem es LMs und graphische neuronale Netze verwendet.

Insgesamt sind Google KGs effizienter und vertrauenswürdiger als Webseiten. Also wohin geht das?

KGs, die Fragen beantworten, versuchen, verifiziertes Wissen bereitzustellen

Google Knowledge Graph liefert direkte Antworten auf Anfragen

Die Fakten, die der Google Knowledge Graph als Antwort auf eine Anfrage liefert, stammen zunächst aus anderen Quellen. (Bis vor kurzem stammte dies hauptsächlich von Wikipedia und Wikidata). Google arbeitet hart daran, allen Informationen zu vertrauen, die seine KGs enthalten. Es muss eine Herausforderung sein, Anfragen genau zu beantworten. Um beispielsweise zu antworten „Wer waren die Gründer von Google?“, muss der Knowledge Graph hier ein Tripel (Subjekt-Prädikat-Objekt) extrahieren, nach dem Vorbild „[Organisation] gegründet von [Person(en)]“.

Wikipedia und Wikidata liefern solche genauen Informationen.

Aaron Bradly, Knowledge Graph Strategist bei Electronic Arts, stellte vor einigen Jahren auf Twitter eine faszinierende Frage. „Eine größere zugrunde liegende Frage ist nämlich, ob wir die vom Google Knowledge Graph bereitgestellten ‚Fakten‘ als sachlich korrekt betrachten sollten (und ob Google selbst die von Graph bereitgestellten ‚Fakten‘ als sachlich korrekt betrachtet).“

Es ist schnell ersichtlich, warum die Benutzer den „Antworten“ und „Fakten“, die der Knowledge Graph liefert, vertrauen müssen.

Bradley fährt fort: „Der Graph muss sich also auf die Vertrauenswürdigkeit seiner Quellen stützen, um zu bestimmen, welche Behauptungen aufgestellt werden sollen. So sehr, dass Google über Methoden zur Verbesserung der Bestimmung der Vertrauenswürdigkeit einer Quelle nachgedacht hat. Letztendlich ist die bereitgestellte Behauptung „von irgendwoher“. Und dies wird problematisch, wenn die Nutzlast einer Antwort (insbesondere Sprache) keine Herkunftsinformationen enthält. Sowohl Wissensaggregatoren (hier Google) als auch Wissensnutzer (hier Suchende) müssen daran arbeiten, wie wir diese Fragen und Antworten besser verarbeiten.“ ^[4]

Larry Page und Sergey Brin, die Gründer von Google, tauchten nach ihrem Ausscheiden im Jahr 2019 wieder auf, um die Produktstrategie von Google für künstliche Intelligenz zu überprüfen. Sie genehmigten Pläne und schlugen Ideen vor, um neue Chatbot-Funktionen in die Suchmaschine von Google aufzunehmen. Die massiven Personalentlassungen von Google im Januar 2023 folgen seinem erneuten Engagement, KI in den Mittelpunkt seiner Pläne zu stellen. ^[5]

Sie können die Google Knowledge Graph-Such-API verwenden, um Entitäten in Google Knowledge Graph zu suchen oder nachzuschlagen. Google Cloud bietet das folgende Schema-Markup-Codebeispiel: ^[6]

{
  "@context": {
    "@vocab": "http://schema.org/"
  },
  "@type": "Artikelliste",
  "itemListElement": [
    {
      "Ergebnis": {
        "@id": "c-07xuup16g",
        "name": "Universität Stanford",
        "description": "Privatuniversität in Stanford, Kalifornien",
        "detaillierte Beschreibung": {
          "articleBody": "Die Stanford University, offiziell Leland Stanford Junior University, ist eine private Forschungsuniversität in Stanford, Kalifornien. Der Campus erstreckt sich über 8.180 Acres, gehört zu den größten in den Vereinigten Staaten und ist mit über 17.000 Studenten eingeschrieben. ",
          "url": "https://en.wikipedia.org/wiki/Stanford_University",
          "Lizenz": "https://en.wikipedia.org/wiki/Wikipedia:Text_of_Creative_Commons_Attribution-ShareAlike_3.0_Unported_License"
        },
        "url": "http://www.stanford.edu/",
        "Bild": {
          "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"
        },
        "Bezeichner": [
          {
            "@type": "Eigenschaftswert",
            "propertyID": "googleKgMID",
            "Wert": "/m/06pwq"
          },
          {
            "@type": "Eigenschaftswert",
            "propertyID": "googlePlaceID",
            "Wert": "ChIJneqLZyq7j4ARf2j8RBrwzSk"
          },
          {
            "@type": "Eigenschaftswert",
            "propertyID": "wikidataQID",
            "Wert": "Q41506"
          }
        ],
        "@Art": [
          "Ort",
          "Organisation",
          "Kino",
          "Konzern",
          "Bildungsorganisation",
          "Sache",
          "College oder Universität"
        ]
      }
    }
  ]
}

Wir finden, dass die Implementierung von Schema-Markups äußerst hilfreich ist. Wenn Sie doppelt unterwegs sind, lesen Sie unseren Artikel zu den Vor- und Nachteilen des Hinzufügens von Markup für strukturierte Daten.

Bringen Sie Ihre semantische Suche und GKG voran

Wenn dieser Artikel Ihr Bewusstsein für semantische Suche und Graphentechnologie weckt und Sie jetzt unbedingt auf solche Gelegenheiten reagieren möchten, rufen Sie Jeannie Hill unter 651-206-2410 an.

Verbessern Sie Ihren persönlichen oder geschäftlichen Wissensgraphen, indem Sie unser Abfrageentitäten-Audit absolvieren

Verweise:

[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