Resposta a perguntas do gráfico de conhecimento

Publicados: 2023-01-25

O que é o recurso de resposta a perguntas do gráfico de conhecimento do Google?

As respostas às perguntas do gráfico de conhecimento (KGQA) estão ocupando muito espaço nas páginas de resultados do mecanismo de pesquisa (SERPs).

O recurso de resposta a perguntas do Knowledge Graph do Google responde às perguntas dos usuários sem exigir que eles cliquem em um site.

Todo mecanismo de pesquisa espera retornar as melhores informações com base na intenção do pesquisador. Para ser uma fonte confiável de respostas, você precisa ser conhecido online. O Google entende os fluxos de consulta e os usa para identificar tópicos e extrair dados confiáveis ​​da web para atualizar ontologias. Cartões do Google, gráficos de conhecimento (KGs) e coleções de conhecimento são uma forma de os usuários interagirem com o Google. Como as perguntas “as pessoas também fazem” nos resultados de pesquisa, as respostas às perguntas do Knowledge Graph mantêm as pessoas nas SERPs do Google por mais tempo.

Índice

  • O que é o recurso de resposta a perguntas do gráfico de conhecimento do Google?
    • Qual é a diferença entre painéis de conhecimento e gráficos de conhecimento?
    • Qual é a diferença entre painéis de conhecimento e perfis de negócios do Google?
    • Qual é a diferença entre o Knowledge Panel do Google e o Knowledge Vault?
  • Respondendo a perguntas complexas com aprendizado de máquina
  • Como criar conteúdo de resposta a perguntas que o Google considera útil
  • Gráficos de conhecimento respondem a perguntas relacionadas a dados
  • Etapas para otimização de respostas de perguntas KG
  • Como solicitar uma atualização do Painel de conhecimento do Google?
  • Os KGs que respondem a perguntas procuram fornecer conhecimento verificado

Vamos primeiro estabelecer um vocabulário fundamental.

Qual é a diferença entre painéis de conhecimento e gráficos de conhecimento?

Gráficos de conhecimento podem ser obtidos para fornecer painéis de conhecimento mais ricos em resultados de pesquisa e retornar respostas a consultas.

É útil visualizar os Painéis de conhecimento como uma manifestação inicial do Gráfico de conhecimento do Google. Há mais dados por trás do que vemos nos dados do gráfico de painel. Depois de estabelecer uma entidade do Knowledge Graph, o Google confiará nela e a considerará uma fonte canônica de informações. A gigante da tecnologia não inventou o KG como um complemento para as experiências do usuário de desktop; foi uma resposta à necessidade de melhores respostas para consultas móveis. Muitos sites eram (e ainda são) horríveis em dispositivos móveis. A GKG pretende fornecer informações precisas ao seu usuário; seu objetivo principal não é direcionar o tráfego para seu site.

Anteriormente, o Google não parecia classificar as páginas da web com base na precisão. Hoje, seus avaliadores de qualidade têm mais instruções sobre como avaliar Experiência, Especialização, Autoridade e Confiabilidade (EEAT). A precisão da resposta é um fator de confiança e suas diretrizes nos dizem que a confiança é o fator mais importante. Por outro lado, “precisão” é um fator no qual as entidades são exibidas nos Painéis de conhecimento.

Os painéis de conhecimento são um tipo de resultado avançado nas páginas de resultados de pesquisa do Google. Eles fornecem aos pesquisadores uma visão geral examinada das informações relacionadas a uma determinada entidade.

Qual é a diferença entre painéis de conhecimento e perfis de negócios do Google?

O Google Business Profiles (GBP) se parece muito com seus painéis de conhecimento. GBPs são exclusivos para empresas que atendem clientes em um determinado local ou dentro de uma área de serviço designada. O acesso GBP permite que os proprietários de empresas gerenciem sua presença digital no Google Maps e na pesquisa. Isso é gratuito. Por outro lado, seu Painel de conhecimento do Google (GKP) é gerado automaticamente pelo Google usando informações sobre sua entidade online. Ele tem controle total sobre sua propagação e o que escolhe atualizar dentro dele.

Qual é a diferença entre o Knowledge Panel do Google e o Knowledge Vault?

Pense no Google Knowledge Vault (GKV) como produzido por um algoritmo que gera uma enciclopédia legível por máquina.

O Google só adiciona informações ao seu GKV depois de ter certeza de que o que ele exibe nos painéis de conhecimento é correto e útil. O GKV é baseado exclusivamente em aprendizado de máquina e lógica de máquina. Entidades separadas de vários domínios são movidas para o Knowledge Vault somente depois que o algoritmo de conhecimento global do Google ganha confiança suficiente em sua compreensão da entidade especificada.

“…nós apresentamos o Knowledge Vault, uma base de conhecimento probabilística em escala da Web que combina extrações de conteúdo da Web (obtido por meio de análise de texto, dados tabulares, estrutura de página e anotações humanas) com conhecimento prévio derivado de repositórios de conhecimento existentes. Empregamos métodos supervisionados de aprendizado de máquina para fundir essas fontes de informações distintas. O Knowledge Vault é substancialmente maior do que qualquer repositório de conhecimento estruturado publicado anteriormente e apresenta um sistema de inferência probabilística que calcula probabilidades calibradas de correção de fatos.” – Cofre do Conhecimento: Uma Abordagem em Escala da Web para a Fusão Probabilística do Conhecimento [1]

Respondendo a perguntas complexas com aprendizado de máquina

O Google recebe 93% das consultas diárias. Exatamente como ele tradicionalmente funciona como um mecanismo de pesquisa e chega ao seu produto ou serviço. Para melhorar seus recursos de resposta a perguntas, uma patente do Google afirma que: “Natural Language Processing (NLP) pode envolver responder a perguntas de linguagem natural com base nas informações contidas em documentos de linguagem natural”.

“As técnicas descritas permitem responder a uma pergunta de linguagem natural usando métodos baseados em aprendizado de máquina para reunir e analisar evidências de pesquisas na web.” – [2]

No entanto, antes de adicionar entidades à sua base de conhecimento, o Google precisa primeiro entender algoritmicamente a pergunta que está sendo feita. Ele procura entender a intenção da consulta que acionou a pergunta. Para consultas ambíguas, a interpretação semântica auxilia na resposta a questões complexas e busca replicar a cognição humana. Os artigos da Web muitas vezes não exibem uma data de publicação ou quando foi atualizado pela última vez. Em contraste, o Knowledge Graph do Google é atualizado continuamente. Por exemplo, eu estava prestes a citar um artigo para este artigo, mas primeiro pesquisei e vi “Este artigo tem mais de 3 anos”.

O MarketWatch estima que “o setor de base de conhecimento semântico valerá US$ 33 bilhões até 2023, com crescimento ano a ano de 10% até o final da década”. Em 18 de janeiro de 2023, o tamanho do mercado de gráficos de conhecimento semântico relacionado ao tempo e ao custo deve crescer na indústria nos próximos anos até 2029. O artigo inclui pesquisa semântica, máquina de perguntas e respostas e recuperação de informações.

É impressionante o quanto de aumento na inovação científica é dedicado a KGs melhores. Da mesma forma, os profissionais de marketing digital e SEOs se beneficiam com a rápida adaptação.

KGs são geralmente vistos como redes semânticas de larga escala que armazenam fatos como triplos na forma de (entidade sujeito, relação, entidade objeto) ou (entidade sujeito, atributo, valor). As arestas no grafo representam as relações entre essas entidades. A maioria dos KGs é construída sobre diferentes fontes de dados existentes para conectar dados. Até o surgimento do GPTChat no GPT3, o Google não era ameaçado por outros KGs de grande escala, como DBpedia, Freebase e YAGO.

O impulso para respostas de perguntas mais humanas

A competição está em uma escala inigualável entre Goole, OpenAI, Bing e outros para fornecer respostas mais humanas a perguntas, em vez de apenas links para informações. O Google usa e testa continuamente vários grandes modelos de linguagem de IA para melhorar seu mecanismo de pesquisa e painéis de conhecimento.

O termo 'gráfico de conhecimento' possui uma vasta família relacional; inclui os campos de gráficos de conhecimento, bancos de dados de gráficos, cofres de conhecimento, painéis de conhecimento, redes neurais, aprendizado de máquina, NLP, inteligência artificial, dados vinculados, incorporação de gráficos de conhecimento, transferência de conhecimento, aprendizagem por transferência, Aprendizagem por representação de conhecimento (KRL) e muito mais ! Gastar dinheiro em pesquisas pagas e melhorias triviais no desempenho do site empalidece em comparação com o preenchimento eficaz de lacunas de conteúdo de resposta a perguntas. As sugestões abaixo vêm de minha própria experiência.

Os sistemas baseados em dados da empresa são avaliados para estabelecer confiança na abordagem científica e em suas aplicações. Seus recursos Knowledge Graph (KG) Question Answering (QA) dependem de estruturas de dados complexas que são acessíveis por meio de interfaces de linguagem natural.

Como criar conteúdo de resposta a perguntas que o Google considera útil

Como criar um conteúdo de resposta a perguntas que informa o Google - Exemplo: Lago Itaska

O novo SEO entende que o Google é um tipo de mecanismo de resposta e o alimenta.

Quanto mais você publica dados de verificação, mais a gigante da tecnologia pode conectar dados. Desta forma, você facilita o trabalho de um buscador em entender quais são os fatos sobre sua entidade. Você fornece ajuda quando conecta seus próprios dados estruturados em todos os diferentes terceiros que falam sobre você. O Google não tem preferência se a implementação de dados estruturados é conectada por meio de um gráfico ou matriz de nós em vez de tê-los como elementos individuais em seus próprios blocos na página.

  • Conteúdo de perguntas frequentes: sua empresa pode criar bancos de dados marcados com esquema para ajudar o Google a rastrear e processar páginas informativas de perguntas e respostas. O Google pode optar por fornecer o conteúdo de perguntas frequentes do seu site.
  • Clusters de tópicos do site: informações com uma ontologia clara podem ser usadas para denotar conhecimento do tópico. Os gráficos de conhecimento organizam as entidades usando dados da web nos quais o Google confia. Você pode ser a fonte primária em diferentes conjuntos de dados. Dessa forma, você é um publicador de dados. Se você reivindicou seu painel de conhecimento, pode ser uma maneira mais confiável e rápida de acionar uma atualização do painel de conhecimento.
  • Banco de dados de produtos preciso: contanto que você faça um trabalho impecável em manter seu banco de dados de produtos atualizado, estará ajudando o Google a obter alta confiança e credibilidade para os fatos de seus produtos. O Google fica mais confiante para mostrar aos usuários informações precisas e relevantes se sua marca e seus produtos on-line forem claros e consistentes. Seja consistente com tudo quando se trata de sua presença online. Use a mesma grafia, título, biografia do autor, local de trabalho, etc.
  • Carregar conjuntos de dados de imagens: as imagens provenientes desse banco de dados específico podem ser associadas às suas respostas e preencher seu gráfico de conhecimento. A existência e a precisão de seus conjuntos de dados de controle de qualidade do produto ajudam a garantir a comparabilidade.
  • Use a marcação de esquema FactClaim: os resultados de pesquisa do Google geralmente são extraídos de seu repositório Knowledge Graph de bilhões de fatos sobre pessoas, lugares e coisas. Ao incluir conteúdo factual e estatístico que apoie seus artigos de opinião, você mostra sua consciência e conhecimento de fontes relevantes baseadas em fatos.
  • Nome, endereço, telefone consistentes: há mais maneiras de gerenciar seu perfil comercial do Google em 2023. No entanto, seu NAP é fundamental para como o Google identifica sua entidade. Funciona melhor ter um endereço estável e usar aquele atribuído no Google Maps. Os gráficos de conhecimento estão intimamente relacionados ao Google Maps. É baseado em dados estruturados, informações estruturadas na forma de consistência NAP: nome, endereço, número de telefone e como eles fazem a diferença para garantir que o Google Maps seja atualizado. O mesmo tipo de consistência fornece o GKG.
  • Respostas de texto de perguntas frequentes automatizadas do Perfil comercial do Google: você pode adicionar respostas automáticas de perguntas frequentes diretamente ao seu Perfil comercial do Google. Ele funciona como uma conversa bidirecional automatizada com resposta a perguntas.
  • Incorpore uma estratégia eficaz de postagem do Google: autores do Google Scholar, marcas notáveis ​​e autoridades eleitas dos EUA não estão aproveitando a oportunidade para reivindicar seus Painéis de conhecimento. Isso, por sua vez, fornece a eles acesso ao Google Posts, que deve fazer parte de sua estratégia de gráfico de conhecimento para conteúdo.
  • Use dados de público e pesquisa de mercado: a pesquisa de mercado inicial fornece insights de dados de público que podem potencializar campanhas de conteúdo inovadoras e estratégias de KG. Uma base de conhecimento primeiro classifica as perguntas com base em quão “significativas” elas são em relação à intenção de consulta das pessoas.

Mais informações sobre o uso de dados estruturados em seu site:

Ryan Levering, do Google, que trabalha principalmente com dados estruturados, declarou no Mastodon: “Seja qual for a aparência do gráfico para a página inteira, é o que usamos, independentemente de onde ele vem. Ele fica amassado e, embora saiba de onde veio, geralmente não é usado. No entanto, a ressalva aqui é que, quando você faz isso em vários blocos, às vezes há problemas de conflito/duplicação. Além disso, com o tempo, semânticas mais ricas/corretas favorecerão grafos mais conectados. Ainda vemos casos em que as pessoas lançam marcações não relacionadas sobre coisas (como produtos relacionados) no mesmo nível superior da entidade principal de diferentes blocos na página e isso faz com que seja mais ruído. Então, às vezes, centralizar a lógica a torna mais consistente/correta.”

Gráficos de conhecimento respondem a perguntas relacionadas a dados

Um objetivo dos gráficos é a capacidade de funcionar como a verdade fundamental da terminologia, lógica e respostas corretas.

Aqui está uma citação diretamente do Google sobre como funciona o Knowledge Graph.

“Os resultados de pesquisa do Google às vezes mostram informações provenientes de nosso Knowledge Graph, nosso banco de dados de bilhões de fatos sobre pessoas, lugares e coisas. O Knowledge Graph nos permite responder a perguntas factuais como 'Qual é a altura da Torre Eiffel?' ou 'Onde foram realizados os Jogos Olímpicos de Verão de 2016.' Nosso objetivo com o Knowledge Graph é que nossos sistemas descubram e tragam à tona informações factuais publicamente conhecidas quando for determinado que elas são úteis.” – Como funciona o gráfico de conhecimento do Google

Você pode alimentar seu Knowledge Graph com informações que demonstram relacionamentos e conceitos conectados entre si. Enquanto grandes investimentos em inteligência artificial chatbot estão em andamento, atualmente sabemos que ele precisa de um modelo de domínio para entender e responder a perguntas. O aprendizado de máquina pode gerar uma enorme base de conhecimento de frases e casos de uso, mas um chatbot estático tem limitações.

O Google coleta informações sobre um determinado tópico ou assunto para primeiro estabelecer a confiança antes que uma entrada de dados do Gráfico de conhecimento seja atualizada. Os gráficos nos ajudam a responder a perguntas relacionadas a dados para que o Google possa armazenar e recuperar informações com facilidade. Basicamente, tudo se resume a entender as perguntas, conectar as perguntas ao seu gráfico de conhecimento e inferir as respostas.

Etapas sugeridas para a otimização de respostas de perguntas do KG:

  1. Procure o quê, quem, onde, por que e também como as publicações que você controla.
  2. Identifique quais dados internos de controle de qualidade podem ser obtidos externamente.
  3. Saiba onde encontrar.
  4. Saiba como já está sendo usado, por quem, como pode ser usado e por quê.
  5. Use gráficos para identificar como fornecer mais valor analisando seus clusters, coortes e grupos.
  6. Configure alertas para ajudar a monitorar sinais de dados de controle de qualidade relativos ao contexto, sinais de grupo e dinâmica dentro e com os relacionamentos de sua entidade.
  7. Programe o tempo de manutenção para gerenciar e alimentar seu conteúdo gráfico de QA.

O processamento de linguagem natural e o gerenciamento de alinhamento de gráfico facilitam a localização de casos de entidades conflitantes ou definições de relacionamento. Os painéis, gráficos e cofres do Google tratam da resolução de entidades.

Antes de responder a uma pergunta em uma plataforma que você controla, entenda primeiro a pergunta de forma inteligente. Você deve saber a intenção do pesquisador e as principais informações necessárias para a pergunta. Os mecanismos de pesquisa extraem as principais informações pesquisando entidades nomeadas que são úteis para a inclusão do gráfico de conhecimento. Para serem confiáveis, eles são seletivos antes de inferir a resposta no KG.

Como solicitar uma atualização do Painel de conhecimento do Google?

O Google fornece aos seus proprietários reivindicados do Knowledge Graph uma maneira de solicitar atualizações e relatar problemas. É mais fácil quando você ganha a capacidade de fornecer feedback direto. Suas respostas instantâneas são atualizadas regularmente a partir do rastreamento da web e do feedback do usuário.

“Também sabemos que as entidades cujas informações estão incluídas nos painéis de conhecimento (como indivíduos proeminentes ou os criadores de um programa de televisão) são autoritárias e fornecemos maneiras para que essas entidades forneçam feedback direto. Portanto, algumas das informações exibidas também podem vir de entidades verificadas que sugeriram edições de fatos em seus próprios painéis de conhecimento. – Sobre painéis de conhecimento

“Também recebemos informações factuais diretamente dos proprietários de conteúdo de várias maneiras, inclusive daqueles que sugerem alterações nos painéis de conhecimento que reivindicaram”. – Como funciona o gráfico de conhecimento do Google

Muitos consideram que os principais benefícios de obter um gráfico de conhecimento semântico são que ele fornece clareza de marca, recuperação de dados e experiências de vendas. Mas como muitas pessoas fazem perguntas, é importante também considerar sua capacidade de integrar dados e usá-los para fornecer respostas. Qual não é o varejista que se mostra valioso dessa maneira?

Como funciona a recuperação de informações de respostas a perguntas?

O Google reúne o conteúdo do cluster de perguntas de fontes confiáveis.

2023 é a era de melhorar sua estratégia de Knowledge Graphs, pois mais e mais conversões de leads ocorrem diretamente nas páginas de resultados do mecanismo de pesquisa (SERPs). O Google avalia em que pode confiar em sua entidade e escolhe o que será incluído em seu Gráfico de conhecimento, Painéis de conhecimento e Cofre de conhecimento. Ele conhece seu público-alvo e clientes; procura alinhar seus pontos fortes e conhecimentos em toda a web para fornecer as melhores respostas. A pesquisa de público e a análise SERP podem informar sua abordagem de marketing.

Quando o Google extrai informações de entidades de controle de qualidade de páginas da Web, são determinadas pontuações de associação envolvendo essas entidades e seus relacionamentos com outras entidades. Ele se preocupa muito com respostas factuais que descrevem as propriedades dessas entidades. Depois de determinar sua melhor estratégia de marketing, é hora de movê-la para as táticas de marketing, nas quais você realizou ações de marketing específicas para melhorar seus resultados de SERP. Hoje e ainda mais no futuro, entender a recuperação de informações do controle de qualidade e como informar seus KGs é um componente vital do SEO eficaz.

Aprendemos com as patentes do Google como um modelo de processamento de linguagem natural pode responder a uma pergunta de texto em linguagem natural.

“Um sistema de computação inclui um modelo de processamento de linguagem natural aprendido por máquina que inclui um modelo de codificador treinado para receber um corpo de texto em linguagem natural e gerar um gráfico de conhecimento e um modelo de programador treinado para receber uma pergunta em linguagem natural e gerar um programa. O sistema de computação inclui um meio legível por computador que armazena instruções que, quando executadas, fazem com que o processador execute operações. As operações incluem obter o corpo do texto em linguagem natural, inserir o corpo do texto em linguagem natural no modelo do codificador, receber, como saída do modelo do codificador, o gráfico de conhecimento, obter a pergunta em linguagem natural, inserir a pergunta em linguagem natural no modelo do programador , recebendo o programa como uma saída do modelo do programador e executando o programa no grafo de conhecimento para produzir uma resposta para a questão da linguagem natural.” – Processamento de linguagem natural com uma máquina N-Gram, patente nº: WO2019083519A1, data de publicação: 2 de maio de 2019 [3]

Pontuação de relevância do gráfico de conhecimento

Combine aprendizado de linguagem de máquina e gráficos de dados para conectar o contexto da pergunta do público às suas respostas. A pontuação de relevância do Google KG está usando LM pré-treinado para pontuar nós em KGs condicionados a uma resposta de pergunta. O Google tem uma estrutura geral para ponderar informações em seus KGs. Seu aprendizado de máquina usa raciocínio conjunto sobre texto e KGs. Dessa forma, ele conecta o contexto das perguntas com o conteúdo da resposta usando LMs e redes neurais de grafos.

No geral, os KGs do Google são mais eficientes e confiáveis ​​do que as páginas da web. Então, onde isso está indo?

Os KGs que respondem a perguntas procuram fornecer conhecimento verificado

Gooogle Knowledge Graph fornece respostas diretas para perguntas

Os fatos fornecidos pelo Google Knowledge Graph em resposta a uma consulta são inicialmente derivados de outras fontes. (Até recentemente, isso era em grande parte da Wikipedia e Wikidata). O Google trabalha duro para confiar em toda e qualquer informação que preenche seus KGs. Deve ser um desafio atender às consultas com precisão. Por exemplo, para responder “Quem foram os fundadores do Google?”, o Knowledge Graph precisa extrair um triplo (sujeito-predicado-objeto) aqui nos moldes de “[Organização] fundada por [Pessoa(s)]”

Wikipedia e Wikidata fornecem informações precisas como essa.

Aaron Bradly, estrategista do Knowledge Graph na Electronic Arts, fez uma pergunta fascinante no Twitter alguns anos atrás. “A saber, uma questão subjacente maior é se devemos considerar os 'fatos' fornecidos pelo Google Knowledge Graph como factualmente corretos (e se o próprio Google considera os 'fatos' fornecidos pelo Graph como factualmente corretos).”

Pode-se ver rapidamente por que as “respostas” e “fatos” fornecidos pelo Knowledge Graph precisam ser confiáveis ​​para os usuários.

Bradley continua dizendo: “Portanto, o Graph precisa se apoiar na confiabilidade de suas fontes para determinar quais afirmações fazer. Tanto é assim que o Google ponderou sobre métodos para melhorar como eles determinam a confiabilidade de uma fonte. Por fim, a afirmação fornecida é 'de algum lugar'. E isso se torna problemático quando a carga útil de uma resposta (especialmente voz) não inclui informações de proveniência. Tanto os agregadores de conhecimento (aqui o Google) quanto os usuários do conhecimento (aqui os pesquisadores) precisam trabalhar para melhorar a forma como processamos essas perguntas e respostas.” [4]

Larry Page e Sergey Brin, fundadores do Google, ressurgiram após sua saída em 2019 para revisar a estratégia de produtos de inteligência artificial do Google. Eles aprovaram planos e lançaram ideias para adicionar novos recursos de chatbot ao mecanismo de pesquisa do Google. As demissões em massa de funcionários do Google em janeiro de 2023 seguem seu compromisso renovado de colocar a IA na frente e no centro de seus planos. [5]

Você pode usar a API de pesquisa do Google Knowledge Graph para pesquisar ou procurar entidades no Google Knowledge Graph. O Google Cloud oferece o seguinte exemplo de código de marcação de esquema: [6]

{
  "@contexto": {
    "@vocab": "http://schema.org/"
  },
  "@type": "Lista de itens",
  "itemListElement": [
    {
      "resultado": {
        "@id": "c-07xuup16g",
        "nome": "Universidade de Stanford",
        "descrição": "Universidade particular em Stanford, Califórnia",
        "descrição detalhada": {
          "articleBody": "Stanford University, oficialmente Leland Stanford Junior University, é uma universidade particular de pesquisa em Stanford, Califórnia. O campus ocupa 8.180 acres, entre os maiores dos Estados Unidos, e matricula mais de 17.000 alunos.",
          "url": "https://en.wikipedia.org/wiki/Stanford_University",
          "license": "https://en.wikipedia.org/wiki/Wikipedia:Text_of_Creative_Commons_Attribution-ShareAlike_3.0_Unported_License"
        },
        "url": "http://www.stanford.edu/",
        "imagem": {
          "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"
        },
        "identificador": [
          {
            "@type": "Valor da Propriedade",
            "propriedadeID": "googleKgMID",
            "valor": "/m/06pwq"
          },
          {
            "@type": "Valor da Propriedade",
            "propertyID": "googlePlaceID",
            "valor": "ChIJneqLZyq7j4ARf2j8RBrwzSk"
          },
          {
            "@type": "Valor da Propriedade",
            "propriedadeID": "wikidataQID",
            "valor": "Q41506"
          }
        ],
        "@tipo": [
          "Lugar",
          "Organização",
          "Cinema",
          "Corporação",
          "Organização Educacional",
          "Coisa",
          "Colégio ou universidade"
        ]
      }
    }
  ]
}

Achamos que a implementação da marcação de esquema é extremamente útil. Se você estiver em dobro, leia nossos prós e contras de adicionar artigo de marcação de dados estruturados.

Levando sua pesquisa semântica e GKG adiante

Se este artigo aumentar sua pesquisa semântica e conhecimento da tecnologia gráfica e agora você estiver ansioso para responder a essas oportunidades, ligue para Jeannie Hill em 651-206-2410.

Aumente seu gráfico de conhecimento pessoal ou empresarial obtendo nossa Auditoria de Entidades de Consultas

Referências:

[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