Grafik Pengetahuan Menjawab Pertanyaan

Apa itu Fitur Jawaban Pertanyaan Grafik Pengetahuan Google?

Menjawab pertanyaan grafik pengetahuan (KGQA) mengambil banyak real estat di halaman hasil mesin pencari (SERP).

Fitur penjawab pertanyaan Grafik Pengetahuan Google menjawab pertanyaan pengguna tanpa mengharuskan mereka mengklik ke situs web.

Setiap mesin pencari berharap untuk mengembalikan informasi terbaik berdasarkan maksud dari pencari. Untuk menjadi sumber terpercaya untuk mendapatkan jawaban, Anda harus dikenal secara online. Google memahami aliran kueri dan menggunakannya untuk mengidentifikasi topik dan mengekstrak data tepercaya dari web untuk memperbarui ontologi. Kartu Google, grafik pengetahuan (KG), dan kumpulan pengetahuan adalah cara bagi pengguna untuk berinteraksi dengan Google. Seperti pertanyaan "orang juga bertanya" pada hasil pencarian, jawaban pertanyaan Grafik Pengetahuan membuat orang lebih lama di SERP Google.

Daftar isi

• Apa itu Fitur Jawaban Pertanyaan Grafik Pengetahuan Google?
  • Apa Perbedaan Antara Panel Pengetahuan dan Grafik Pengetahuan?
  • Apa Perbedaan Antara Panel Pengetahuan dan Google Profil Bisnis?
  • Apa Perbedaan Antara Panel Pengetahuan Google dan Gudang Pengetahuan?
• Menjawab Pertanyaan Kompleks dengan Machine Learning
• Cara Membuat Konten Tanya Jawab yang Menurut Google Bermanfaat
• Grafik Pengetahuan Menjawab Pertanyaan Terkait Data
• Langkah-langkah Optimasi Jawaban Soal KG
• Bagaimana Cara Meminta Pembaruan Panel Pengetahuan Google?
• KG Penjawab Pertanyaan Berusaha Memberikan Pengetahuan Terverifikasi

Mari pertama-tama buat kosakata dasar.

Apa Perbedaan Antara Panel Pengetahuan dan Grafik Pengetahuan?

Grafik pengetahuan mungkin bersumber untuk menyediakan panel pengetahuan yang lebih kaya dalam hasil penelusuran dan menampilkan jawaban atas kueri.

Ini membantu untuk melihat Panel Pengetahuan sebagai manifestasi front-end dari Grafik Pengetahuan Google. Lebih banyak data berada di balik apa yang kita lihat di data grafik panel. Setelah Anda membuat entitas Grafik Pengetahuan, Google akan mengandalkannya dan menganggapnya sebagai sumber informasi kanonis. Raksasa teknologi itu tidak menciptakan KG sebagai pelengkap pengalaman pengguna desktop; itu adalah tanggapan terhadap kebutuhan akan jawaban kueri seluler yang lebih baik. Begitu banyak situs yang (dan masih) mengerikan di perangkat seluler. GKG bermaksud untuk memberikan informasi yang akurat kepada penggunanya; tujuan utamanya bukan untuk mengarahkan lalu lintas ke situs Anda .

Sebelumnya, Google tampaknya tidak memberi peringkat halaman web berdasarkan akurasi. Saat ini, evaluator kualitasnya memiliki lebih banyak petunjuk tentang cara menilai Pengalaman, Keahlian, Otoritas, dan Kepercayaan (EEAT). Keakuratan jawaban adalah faktor kepercayaan, dan pedomannya memberi tahu kami bahwa kepercayaan adalah faktor terpenting. Sebaliknya, "akurasi" adalah faktor yang ditampilkan entitas di Panel Pengetahuan.

Panel pengetahuan adalah salah satu jenis hasil kaya di laman hasil penelusuran Google. Mereka memberi pencari ikhtisar informasi yang diperiksa terkait dengan entitas tertentu.

Apa Perbedaan Antara Panel Pengetahuan dan Google Profil Bisnis?

Profil Bisnis Google (GBP) terlihat hampir sama dengan panel pengetahuannya. GBP unik untuk bisnis yang melayani pelanggan di lokasi tertentu atau dalam area layanan yang ditentukan. Akses GBP memungkinkan pemilik bisnis mengelola keberadaan digital mereka di Google Maps dan penelusuran. Ini gratis. Sebaliknya, Panel Pengetahuan Google (GKP) Anda dibuat secara otomatis oleh Google menggunakan informasi tentang entitas Anda secara online. Ia memiliki kendali penuh atas propagasinya dan apa yang dipilihnya untuk diperbarui di dalamnya.

Apa Perbedaan Antara Panel Pengetahuan Google dan Gudang Pengetahuan?

Pikirkan Gudang Pengetahuan Google (GKV) yang dihasilkan oleh algoritme yang menghasilkan ensiklopedia yang dapat dibaca mesin.

Google hanya menambahkan informasi ke GKV setelah yakin bahwa apa yang ditampilkan di Panel Pengetahuan benar dan berguna. GKV semata-mata didasarkan pada pembelajaran mesin dan logika mesin. Entitas terpisah dari beberapa domain dipindahkan ke Gudang Pengetahuan hanya setelah algoritme pengetahuan global Google mendapatkan kepercayaan yang cukup dalam pemahamannya tentang entitas yang ditentukan.

“…kami memperkenalkan Gudang Pengetahuan, basis pengetahuan probabilistik skala Web yang menggabungkan ekstraksi dari konten Web (diperoleh melalui analisis teks, data tabular, struktur halaman, dan anotasi manusia) dengan pengetahuan sebelumnya yang diperoleh dari repositori pengetahuan yang ada. Kami menggunakan metode pembelajaran mesin yang diawasi untuk menggabungkan sumber informasi yang berbeda ini. Gudang Pengetahuan secara substansial lebih besar daripada repositori pengetahuan terstruktur yang diterbitkan sebelumnya, dan menampilkan sistem inferensi probabilistik yang menghitung probabilitas terkalibrasi dari kebenaran fakta.” – Gudang Pengetahuan: Pendekatan Skala Web untuk Perpaduan Pengetahuan Probabilistik ^[1]

Menjawab Pertanyaan Kompleks dengan Machine Learning

Google menerima 93% kueri harian. Bagaimana itu secara tradisional berfungsi sebagai mesin pencari dan berakhir dengan produk atau layanan Anda. Untuk meningkatkan kemampuan menjawab pertanyaannya, paten Google menyatakan bahwa: “Pemrosesan Bahasa Alami (Natural Language Processing/NLP) dapat mencakup menjawab pertanyaan bahasa alami berdasarkan informasi yang terkandung dalam dokumen bahasa alami.”

“Teknik yang dijelaskan memungkinkan menjawab pertanyaan bahasa alami menggunakan metode berbasis pembelajaran mesin untuk mengumpulkan dan menganalisis bukti dari penelusuran web.” – ^[2]

Namun, sebelum menambahkan entitas ke basis pengetahuannya, Google harus terlebih dahulu memahami algoritme pertanyaan yang diajukan. Itu berusaha untuk memahami maksud kueri yang memicu pertanyaan. Untuk pertanyaan yang ambigu, interpretasi semantik membantu dalam menjawab pertanyaan kompleks dan berupaya mereplikasi kognisi manusia. Artikel web sering gagal menampilkan tanggal publikasi atau kapan terakhir kali diperbarui. Sebaliknya, Grafik Pengetahuan Google terus diperbarui. Misalnya, saya hendak mengutip artikel untuk tulisan ini tetapi pertama kali meneliti dan melihat "Artikel ini berusia lebih dari 3 tahun."

MarketWatch memperkirakan bahwa "industri basis pengetahuan semantik akan bernilai $33 miliar pada tahun 2023, dengan pertumbuhan tahun ke tahun sebesar 10% selama sisa dekade ini." Its 18 Januari 2023, Semantic Knowledge Graphing Ukuran Pasar Terkait Waktu Dan Biaya Diperkirakan Akan Menumbuhkan Industri Di Tahun-Tahun Mendatang Hingga 2029 artikel termasuk Pencarian Semantik, Mesin Tanya Jawab, dan Pengambilan Informasi.

Sungguh mencengangkan betapa banyak peningkatan inovasi ilmiah yang didedikasikan untuk KG yang lebih baik. Sama halnya, pemasar digital dan SEO mendapat manfaat dengan beradaptasi dengan cepat.

KG umumnya dilihat sebagai jaringan semantik skala besar yang menyimpan fakta sebagai tiga kali lipat dalam bentuk (entitas subjek, relasi, entitas objek) atau (entitas subjek, atribut, nilai). Tepi dalam grafik mewakili hubungan antara entitas-entitas ini. Sebagian besar KG dibangun di atas berbagai sumber data yang ada untuk menghubungkan data. Hingga GPTChat muncul dalam GPT3, Google tidak terancam oleh KG skala besar lainnya, seperti DBpedia, Freebase, dan YAGO.

Dorongan untuk jawaban pertanyaan yang lebih manusiawi

Persaingan berada pada skala yang tak tertandingi antara Goole, OpenAI, Bing, dan lainnya untuk memberikan jawaban yang lebih manusiawi atas pertanyaan daripada hanya tautan ke informasi. Google terus menggunakan dan menguji berbagai model bahasa AI besar untuk meningkatkan mesin telusur dan panel pengetahuannya.

Istilah 'grafik pengetahuan' memiliki keluarga relasional yang luas; itu termasuk bidang grafik pengetahuan, basis data grafik, kubah pengetahuan, panel pengetahuan, jaringan saraf, pembelajaran mesin, NLP, kecerdasan buatan, data tertaut, penyematan grafik pengetahuan, transfer pengetahuan, pembelajaran transfer, Pembelajaran Representasi Pengetahuan (KRL), dan banyak lagi ! Menghabiskan uang untuk pencarian berbayar dan peningkatan kinerja situs yang sepele artinya jika dibandingkan dengan mengisi celah konten tanya jawab secara efektif. Saran di bawah ini berasal dari pengalaman saya sendiri.

Sistem berbasis data perusahaan dievaluasi untuk membangun kepercayaan pada pendekatan ilmiah dan penerapannya. Kemampuan Knowledge Graph (KG) Question Answering (QA) bergantung pada struktur data kompleks yang dapat diakses melalui antarmuka bahasa alami.

Cara Membuat Konten Tanya Jawab yang Menurut Google Bermanfaat

SEO baru memahami bahwa Google adalah jenis mesin jawaban dan memberinya makan.

Semakin banyak Anda memublikasikan data verifikasi, semakin banyak raksasa teknologi dapat menghubungkan data. Dengan cara ini, Anda memudahkan pekerjaan mesin pencari dalam memahami apa fakta tentang entitas Anda. Anda memberikan bantuan saat Anda menghubungkan data terstruktur Anda sendiri ke semua pihak ketiga berbeda yang membicarakan Anda. Google tidak memiliki preferensi apakah penerapan data terstruktur terhubung melalui grafik atau larik node atau menjadikannya sebagai elemen individual dalam bloknya sendiri di halaman.

• Konten FAQ: Perusahaan Anda dapat membuat basis data yang ditandai dengan skema untuk membantu Google merayapi dan mencerna halaman informasi tanya-jawab. Google dapat memilih sumber konten FAQ situs web Anda.
• Kluster topik situs web: Informasi dengan ontologi yang jelas dapat digunakan untuk menunjukkan keahlian topik. Grafik pengetahuan mengatur entitas menggunakan data web yang dipercaya Google. Anda bisa menjadi sumber utama dalam kumpulan data yang berbeda. Dengan cara ini, Anda adalah penerbit data. Jika Anda telah mengklaim panel pengetahuan, ini mungkin cara yang lebih andal dan cepat untuk memicu pembaruan panel pengetahuan.
• Basis data produk yang akurat: Selama Anda melakukan pekerjaan yang sempurna untuk memperbarui basis data produk Anda, Anda membantu Google mendapatkan keyakinan dan kepercayaan yang tinggi atas fakta produk Anda. Google lebih percaya diri untuk menampilkan informasi yang akurat dan relevan kepada penggunanya jika merek dan produk Anda secara online jelas dan konsisten. Konsisten dengan segala hal terkait kehadiran online Anda. Pergi dengan ejaan yang sama, judul, biografi penulis, tempat kerja, dll.
• Unggah kumpulan data gambar: Gambar yang keluar dari database tertentu dapat dikaitkan dengan jawaban Anda dan mengisi grafik pengetahuan Anda. Keberadaan dan keakuratan kumpulan data QA Produk Anda membantu memastikan keterbandingan.
• Gunakan markup skema FactClaim: Hasil penelusuran Google sering diambil dari gudang Grafik Pengetahuannya yang berisi miliaran fakta tentang orang, tempat, dan benda. Dengan memasukkan konten statistik faktual yang mendukung opini Anda, Anda menunjukkan kesadaran dan pengetahuan Anda tentang sumber berbasis fakta yang relevan.
• Nama, Alamat, Telepon yang Konsisten: Ada lebih banyak cara untuk mengelola Google Profil Bisnis Anda hingga tahun 2023. Namun, NAP Anda merupakan dasar dari cara Google mengidentifikasi entitas Anda. Cara terbaik adalah memiliki alamat yang stabil dan menggunakan alamat yang ditetapkan di Google Maps. Grafik pengetahuan terkait erat dengan Google Maps. Ini didasarkan pada data terstruktur, informasi terstruktur dalam bentuk konsistensi NAP: nama, alamat, nomor telepon, dan bagaimana itu membuat perbedaan dalam memastikan pembaruan Google Maps. Jenis konsistensi yang sama memasok GKG.
• Respons teks FAQ Google Profil Bisnis otomatis: Anda dapat menambahkan respons FAQ otomatis langsung di Google Profil Bisnis. Ini berfungsi sebagai percakapan dua arah otomatis dengan menjawab pertanyaan.
• Menggabungkan strategi Google Post yang efektif: Penulis Google Cendekia, merek ternama, dan pejabat terpilih AS tidak memanfaatkan peluang untuk mengklaim Panel Pengetahuan mereka. Ini pada gilirannya memberi mereka akses ke Google Post, yang seharusnya menjadi bagian dari strategi grafik pengetahuan Anda untuk konten.
• Gunakan data audiens dan riset pasar: Riset pasar awal memberikan wawasan data audiens yang dapat memperkuat kampanye konten inovatif dan strategi KG. Basis pengetahuan pertama-tama mengklasifikasikan pertanyaan berdasarkan seberapa "signifikan" mereka dalam kaitannya dengan maksud permintaan orang.

Selengkapnya tentang menggunakan data terstruktur di situs Anda:

Ryan Levering dari Google yang terutama bekerja pada data terstruktur menyatakan di Mastodon: “Seperti apa pun tampilan grafik untuk seluruh halaman, itulah yang kami gunakan, dari mana pun asalnya. Itu menjadi bubur bersama dan meskipun tahu dari mana asalnya, itu biasanya tidak digunakan. Namun, peringatan di sini adalah ketika Anda melakukannya di banyak blok, terkadang ada masalah konflik/duplikasi. Juga, dari waktu ke waktu semantik yang lebih kaya/benar akan mendukung lebih banyak grafik yang terhubung. Kami masih melihat kasus di mana orang membuang markup yang tidak terkait tentang hal-hal (seperti produk terkait) di tingkat teratas yang sama dengan entitas utama dari blok yang berbeda di halaman dan itu membuatnya sangat berisik. Jadi terkadang memusatkan logika membuatnya lebih konsisten/benar.”

Grafik Pengetahuan Menjawab Pertanyaan Terkait Data

Tujuan grafik adalah kemampuan untuk berfungsi sebagai kebenaran dasar dari terminologi, logika, dan jawaban yang benar.

Ini kutipan langsung dari Google tentang cara kerja Grafik Pengetahuannya.

“Hasil penelusuran Google terkadang menampilkan informasi yang berasal dari Grafik Pengetahuan kami, basis data kami yang berisi miliaran fakta tentang orang, tempat, dan benda. Grafik Pengetahuan memungkinkan kami menjawab pertanyaan faktual seperti 'Berapa tinggi Menara Eiffel?' atau 'Di mana Olimpiade Musim Panas 2016 diadakan.' Tujuan kami dengan Grafik Pengetahuan adalah agar sistem kami menemukan dan menampilkan informasi faktual yang diketahui publik jika dianggap berguna.” – Cara Kerja Grafik Pengetahuan Google

Anda dapat mengisi Grafik Pengetahuan Anda dengan informasi yang menunjukkan hubungan dan konsep yang terhubung satu sama lain. Sementara investasi besar dalam kecerdasan buatan chatbot sedang berlangsung, saat ini kami tahu bahwa ini membutuhkan model domain untuk memahami dan menjawab pertanyaan. Pembelajaran mesin dapat menghasilkan basis pengetahuan kalimat dan kasus penggunaan yang sangat besar, tetapi chatbot statis memiliki keterbatasan.

Google mengumpulkan informasi tentang topik atau subjek tertentu untuk membangun kepercayaan terlebih dahulu sebelum entri Grafik Pengetahuan data diperbarui. Grafik membantu kami menjawab pertanyaan terkait data sehingga Google dapat menyimpan dan mengambil informasi dengan mudah. Ini pada dasarnya bermuara pada memahami pertanyaan, menghubungkan pertanyaan ke grafik pengetahuan Anda, dan menyimpulkan jawabannya.

Langkah-langkah yang disarankan untuk pengoptimalan jawaban pertanyaan KG:

1. Carilah apa, siapa, di mana, mengapa, dan juga bagaimana publikasi yang Anda kuasai.
2. Identifikasi data QA internal mana yang dapat bersumber dari eksternal.
3. Pelajari di mana menemukannya.
4. Pelajari bagaimana itu sudah digunakan, oleh siapa, bagaimana itu bisa digunakan dan mengapa.
5. Gunakan grafik untuk mengidentifikasi cara memberikan nilai lebih dengan menganalisis kluster, kelompok, dan grup mereka.
6. Siapkan peringatan untuk membantu memantau sinyal data QA terkait konteks, sinyal grup, dan dinamika di dalam dan dengan relasi entitas Anda.
7. Jadwalkan waktu pemeliharaan untuk mengelola dan memberi makan konten QA grafik Anda.

Pemrosesan bahasa alami dan manajemen penyelarasan grafik memfasilitasi penemuan kasus entitas yang saling bertentangan atau definisi hubungan. Panel, grafik, dan vault Google adalah tentang resolusi entitas.

Sebelum menjawab pertanyaan di platform yang Anda kendalikan, pahami dulu pertanyaannya dengan cerdas. Anda harus mengetahui niat pencari dan informasi kunci yang diperlukan untuk pertanyaan tersebut. Mesin pencari mengekstrak informasi kunci dengan mencari entitas bernama yang berguna untuk penyertaan grafik pengetahuan. Untuk bisa dipercaya sendiri, Mereka selektif sebelum menyimpulkan jawaban di KG.

Bagaimana Cara Meminta Pembaruan Panel Pengetahuan Google?

Google memberikan cara kepada pemilik Grafik Pengetahuan yang diklaim untuk meminta pembaruan dan melaporkan masalah. Lebih mudah setelah Anda memperoleh kemampuan untuk memberikan umpan balik langsung. Jawaban instannya diperbarui secara berkala dari perayapan web dan umpan balik pengguna.

“Kami juga mengetahui bahwa entitas yang informasinya disertakan dalam panel pengetahuan (seperti individu terkemuka atau pembuat acara televisi) bersifat otoritatif sendiri, dan kami menyediakan cara bagi entitas ini untuk memberikan umpan balik langsung. Oleh karena itu, beberapa informasi yang ditampilkan mungkin juga berasal dari entitas terverifikasi yang menyarankan pengeditan fakta di panel pengetahuan mereka sendiri. – Tentang panel pengetahuan

“Kami juga menerima informasi faktual langsung dari pemilik konten dengan berbagai cara, termasuk dari mereka yang menyarankan perubahan pada panel pengetahuan yang mereka klaim.” – Cara Kerja Grafik Pengetahuan Google

Banyak yang menganggap manfaat utama mendapatkan grafik pengetahuan semantik adalah memberikan kejelasan merek, pemulihan data, dan pengalaman penjualan. Namun karena begitu banyak orang yang mengajukan pertanyaan, penting juga untuk mempertimbangkan kemampuannya dalam mengintegrasikan data dan menggunakannya untuk memberikan jawaban. Apa bukan pengecer yang terbukti berharga dengan cara ini?

Bagaimana Cara Kerja Pengambilan Informasi Penjawab Pertanyaan?

Google mengumpulkan pertanyaan mengelompokkan konten dari sumber yang dapat dipastikan.

2023 adalah era peningkatan strategi Grafik Pengetahuan Anda karena semakin banyak konversi prospek terjadi langsung di halaman hasil mesin pencari (SERP). Google menilai apa yang dapat dipercaya tentang entitas Anda dan memilih apa yang akan disertakan dalam Grafik Pengetahuan, Panel Pengetahuan, dan Gudang Pengetahuan Anda. Ia tahu tentang target audiens dan pelanggan Anda; itu berupaya menyelaraskan kekuatan dan pengetahuan Anda di seluruh web untuk memberikan jawaban terbaik. Riset audiens dan analisis SERP dapat menginformasikan pendekatan Anda terhadap pemasaran.

Saat Google mengekstrak informasi entitas QA dari halaman Web, skor asosiasi yang melibatkan entitas tersebut dan hubungannya dengan entitas lain ditentukan. Itu sangat peduli tentang jawaban faktual yang menggambarkan sifat-sifat entitas tersebut. Setelah Anda menentukan strategi pemasaran terbaik Anda, saatnya untuk memindahkannya ke taktik pemasaran, di mana Anda telah mengambil tindakan pemasaran khusus untuk meningkatkan hasil SERP Anda. Baik hari ini dan terlebih lagi di masa mendatang, memahami pengambilan informasi QA dan cara memberi tahu KG Anda adalah komponen penting dari SEO yang efektif.

Kami belajar dari paten Google bagaimana model pemrosesan bahasa alami dapat menjawab pertanyaan teks bahasa alami.

“Sistem komputasi mencakup model pemrosesan bahasa alami yang dipelajari mesin yang mencakup model pembuat enkode yang dilatih untuk menerima badan teks bahasa alami dan menampilkan grafik pengetahuan dan model pemrogram yang dilatih untuk menerima pertanyaan bahasa alami dan menampilkan program. Sistem komputasi mencakup instruksi penyimpanan media yang dapat dibaca komputer yang, ketika dieksekusi, menyebabkan prosesor melakukan operasi. Operasi tersebut termasuk mendapatkan badan teks bahasa alami, memasukkan badan teks bahasa alami ke dalam model encoder, menerima, sebagai output dari model encoder, grafik pengetahuan, mendapatkan pertanyaan bahasa alami, memasukkan pertanyaan bahasa alami ke dalam model programmer , menerima program sebagai keluaran dari model pemrogram, dan menjalankan program pada grafik pengetahuan untuk menghasilkan jawaban atas pertanyaan bahasa alami.” – Pemrosesan Bahasa Alami Dengan Mesin N-Gram, Nomor Paten: WO2019083519A1, Tanggal Publikasi: 2 Mei 2019 ^[3]

Penilaian Relevansi Grafik Pengetahuan

Gabungkan pembelajaran bahasa mesin dan grafik data untuk menghubungkan konteks pertanyaan audiens dengan jawaban Anda. Penilaian relevansi KG Google menggunakan LM terlatih untuk menilai node pada KG yang dikondisikan untuk respons pertanyaan. Google memiliki kerangka kerja umum untuk menimbang informasi dalam KG-nya. Pembelajaran mesinnya menggunakan penalaran bersama atas teks dan KG. Dengan cara ini menghubungkan konteks pertanyaan dengan konten jawaban dengan menggunakan LM dan jaringan saraf grafik.

Secara keseluruhan, Google KG lebih efisien dan tepercaya daripada halaman web. Jadi kemana arahnya?

KG Penjawab Pertanyaan Berusaha Memberikan Pengetahuan Terverifikasi

Grafik Pengetahuan Google Memberikan Jawaban Langsung untuk Pertanyaan

Fakta yang diberikan oleh Grafik Pengetahuan Google sebagai tanggapan atas kueri pada awalnya berasal dari sumber lain. (Sampai saat ini, sebagian besar berasal dari Wikipedia dan Wikidata). Google bekerja keras untuk memercayai setiap dan semua informasi yang mengisi KG-nya. Pasti menantang untuk memenuhi permintaan secara akurat. Misalnya, untuk menjawab "Siapa pendiri Google?", Grafik Pengetahuan perlu mengekstrak triple (subjek-predikat-objek) di sini sepanjang baris "[Organisasi] yang didirikan oleh [Orang]"

Wikipedia dan Wikidata memberikan informasi yang tepat seperti itu.

Aaron Bradly, Ahli Strategi Grafik Pengetahuan di Electronic Arts, mengajukan pertanyaan menarik di Twitter beberapa tahun yang lalu. “Intinya, pertanyaan mendasar yang lebih besar adalah apakah kita harus menganggap 'fakta' yang disediakan oleh Grafik Pengetahuan Google benar secara faktual (dan apakah Google sendiri menganggap 'fakta yang disediakan Grafik' sebagai benar secara faktual)."

Seseorang dapat dengan cepat melihat mengapa “jawaban” dan “fakta” ​​yang diberikan oleh Grafik Pengetahuan perlu dipercaya oleh pengguna.

Bradley melanjutkan dengan mengatakan, “Jadi Grafik perlu bersandar pada kepercayaan sumbernya dalam menentukan pernyataan apa yang harus dibuat. Sedemikian rupa sehingga Google telah mempertimbangkan metode untuk meningkatkan bagaimana mereka menentukan kepercayaan suatu sumber. Pada akhirnya pernyataan yang diberikan adalah 'dari suatu tempat'. Dan ini menjadi masalah ketika muatan tanggapan (terutama suara) tidak menyertakan informasi asalnya. Agregator pengetahuan (di sini Google) dan pengguna pengetahuan (di sini pencari) perlu berupaya meningkatkan cara kami memproses pertanyaan dan jawaban ini.” ^[4]

Larry Page dan Sergey Brin, pendiri Google, muncul kembali setelah kepergian mereka tahun 2019 untuk meninjau strategi produk kecerdasan buatan Google. Mereka menyetujui rencana dan mengajukan ide untuk menambahkan fitur chatbot baru ke dalam mesin pencari Google. PHK besar-besaran staf Google pada Januari 2023 mengikuti komitmen barunya untuk mengutamakan AI dalam rencana mereka. ^[5]

Anda dapat menggunakan Google Knowledge Graph Search API untuk menelusuri atau mencari entitas di Google Knowledge Graph. Google Cloud menawarkan contoh kode markup skema berikut: ^[6]

{
  "@konteks": {
    "@vocab": "http://schema.org/"
  },
  "@type": "DaftarItem",
  "itemListElement": [
    {
      "hasil": {
        "@id": "c-07xuup16g",
        "nama": "Universitas Stanford",
        "description": "Universitas swasta di Stanford, California",
        "Detil Deskripsi": {
          "articleBody": "Stanford University, secara resmi Leland Stanford Junior University, adalah universitas riset swasta di Stanford, California. Kampus ini menempati lahan seluas 8.180 hektar, salah satu yang terbesar di Amerika Serikat, dan menerima lebih dari 17.000 mahasiswa.",
          "url": "https://en.wikipedia.org/wiki/Stanford_University",
          "lisensi": "https://en.wikipedia.org/wiki/Wikipedia:Text_of_Creative_Commons_Attribution-ShareAlike_3.0_Unported_License"
        },
        "url": "http://www.stanford.edu/",
        "gambar": {
          "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"
        },
        "pengenal": [
          {
            "@type": "NilaiProperti",
            "propertyID": "googleKgMID",
            "nilai": "/m/06pwq"
          },
          {
            "@type": "NilaiProperti",
            "propertyID": "googlePlaceID",
            "nilai": "ChIJneqLZyq7j4ARf2j8RBrwzSk"
          },
          {
            "@type": "NilaiProperti",
            "propertyID": "wikidataQID",
            "nilai": "Q41506"
          }
        ],
        "@Tipe": [
          "Tempat",
          "Organisasi",
          "Bioskop",
          "Perusahaan",
          “Organisasi Pendidikan”,
          "Benda",
          "Perguruan Tinggi atau universitas"
        ]
      }
    }
  ]
}

Kami menemukan bahwa mengimplementasikan markup skema sangat membantu. Jika Anda bingung, baca pro dan kontra kami dalam menambahkan artikel markup data terstruktur.

Memajukan Pencarian Semantik dan GKG Anda

Jika artikel ini meningkatkan kesadaran teknologi pencarian dan grafik semantik Anda dan sekarang Anda sangat ingin menanggapi peluang seperti itu, hubungi Jeannie Hill di 651-206-2410.

Tingkatkan grafik pengetahuan pribadi atau bisnis Anda dengan memperoleh Audit Entitas Kueri kami

Referensi:

[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