Google współcześnie wykorzystuje wiele rozwiązań mających na celu jak najlepsze dopasowanie rezultatów wyszukiwania do zapytań użytkowników. Do tego grona można zaliczyć między innymi Knowledge Graph (graf wiedzy).
Knowledge Graph – co to jest?
Knowledge Graph to zbiór połączonych wewnętrznie danych wykorzystywanych do prezentowania Entities (podmiotów) świata realnego i powiązań pomiędzy nimi. Dane te są zwykle prezentowane jako zestaw węzłów (reprezentujących Entities) oraz krawędzi (reprezentujących powiązania) w strukturze grafu, dlatego wykorzystywana jest nazwa Knowledge Graph.
Rozwiązania Knowledge Graph mogą być wykorzystywane do tworzenia semantycznych modeli danych oraz można je stosować do poprawy jakości modelu semantycznego strony internetowej. Jednym ze sposobów jest integracja z zewnętrznymi źródłami wiedzy, takimi jak Wikipedia, Wikidata oraz ontologia produktu. Pozwala to na połączenie danych z wysoce wiarygodnymi źródłami oraz na dopasowanie ich do ogólnego zrozumienia koncepcji i powiązań. To pozwala na poprawę zwięzłości i dokładności treści.
Czym jest ontologia?
Ontologia może być definiowana jako model reprezentujący wiedzę jako zestaw koncepcji w ramach domeny. Ontologia obejmuje również powiązania pomiędzy tymi koncepcjami.
Ontologie są wykorzystywane do ujednolicenia i organizacji wiedzy, tak aby przekazywanie i ponowne wykorzystywanie informacji było łatwiejsze.
Ontologia jest stosowana do tworzenia formalnego przedstawienia Entities (podmiotów) oraz ich powiązań w Knowledge Graph. Warto zwrócić uwagę na to, że ontologia jest ogólnym modelem danych, co oznacza, że nie trzeba w niej uwzględniać informacji na temat konkretnych Entities. Zamiast tego stanowi ona podstawę możliwą do ponownego użycia w celu opisania dodatkowych Entities w przyszłości.
Korzystając z ontologii jako podstawy, można następnie dodać konkretne realne dane na temat pojedynczych Entities w celu stworzenia Knowledge Graph.
Ontologie są podobne do Knowledge Graphów pod względem tego, że wykorzystują węzły i krawędzie oraz opierają się o trio Resource Description Framework (podstawy opisów zasobów, RDF). Podobieństwo można również zauważyć w ich prezentacji wizualnej.
Ontologia może być wykorzystywana do opisania treści strony internetowej lub bloga poprzez dostarczenie wyraźnej i zdefiniowanej struktury przekazywanych informacji. Można ją wykorzystywać po to, aby pomóc stronie internetowej w uzyskiwaniu lepszej pozycji w rankingu wyszukiwarek poprzez dostarczenie przejrzystej struktury i znaczenia treści publikowanych na stronie.
Schema.org jest przykładem obszernie przystosowanej ontologii, która jest wspierana przez Google, Bing, Yahoo, Yandex oraz wspaniałą społeczność, która wspiera semantyczną prezentację treści w Internecie.
Wspomniane prezentowanie wiedzy jest wspierane przez infrastrukturę technologiczną, taką jak bazy danych, API oraz algorytmy uczenia maszynowego. Istnieją one po to, aby pomagać ludziom i usługom w lokalizacji i przetwarzaniu informacji w bardziej skuteczny sposób.
Jak działa Knowledge Graph?
Knowledge Graph składa się z danych pochodzących z różnych źródeł, które często posiadają różne struktury. Aby zorganizować takie dane, stosowane są elementy takie jak schematy, tożsamości oraz kontekst w celu zapewnienia struktury i znaczenia.
Schematy tworzą strukturę dla grafu, tożsamości klasyfikują węzły, a kontekst ustala tło dla wiedzy. Elementy te pozwalają produktom, takim jak algorytm wyszukiwarki Google na rozróżnianie słów o wielu znaczeniach, takich jak na przykład „Orange” (marka lub pomarańcza w języku angielskim). Wyszukiwarki, takie jak Google, Bing oraz Yahoo wykorzystują Knowledge Graph po to, aby dostarczyć dokładniejsze rezultaty wyszukiwania. Jest to możliwe dzięki zrozumieniu kontekstu i intencji kryjących się za zapytaniem.
Knowledge Graph wspierane przez uczenie maszynowe wykorzystują Natural Language Processing (przetwarzanie języka naturalnego, NLP) do budowy wyczerpującej prezentacji węzłów, krawędzi i oznaczeń poprzez technikę znaną jako wzbogacenie semantyczne.
Wzbogacenie semantyczne jest procesem dodawania do treści metadanych tematycznych, dzięki którym maszyny mogą zrozumieć treść i tworzyć powiązania z nią. Proces ten pozwala maszynom, takim jak wyszukiwarki internetowe, zrozumieć i zidentyfikować znaczenie podmiotów i powiązań pomiędzy nimi.
Po stworzeniu Knowledge Graph, jest on porównywany i łączony z innymi zestawami danych, które są powiązane i podobne do siebie z natury. Po zakończeniu tego procesu graf umożliwia odpowiadanie na pytania. Wyszukiwarki internetowe są z kolei w stanie pozyskiwać i ponownie wykorzystywać szczegółowe odpowiedzi na zapytania.
Takie systemy nie tylko oszczędzają czas konsumentów, ale również mogą być wykorzystywane w biznesie do automatyzacji procesu zbierania i integracji danych. To z kolei wspiera podejmowanie decyzji.
Tworzenie Knowledge Graph może również wspierać odkrywanie nowej wiedzy poprzez łączenie wcześniej niepołączonych punktów danych.
Jakie są popularne Knowledge Graphy?
Popularne Knowledge Graph, wykorzystywane przez konsumentów, ustanowiły wysokie oczekiwania wobec systemów wyszukiwania w firmach. Do grona takich grafów wiedzy można zaliczyć następujące przykłady:
- DBpedia: graf informacji pozyskiwanych z Wikipedii.
- YAGO: duża baza danych z ogólną wiedzą na temat ludzi, miast, krajów, filmów oraz organizacji.
- Freebase: graf wiedzy ogólnej (nie jest już prowadzony), którego historię warto poznać.
- Wikidata: graf ustrukturyzowanych danych z Wikipedii oraz innych źródeł.
- Google Knowledge Graph: graf informacji wykorzystywanych przez Google, aby ulepszyć rezultaty wyszukiwania.
- Microsoft Satori: własny graf wiedzy wykorzystywany przez Bing oraz inne usługi Microsoft.
- Amazon Neptune: w pełni zarządzana usługa bazy danych, która ułatwia tworzenie oraz użytkowanie aplikacji, które działają z wykorzystaniem mocno powiązanych ze sobą zestawów danych.
Przykłady wykorzystania Knowledge Graphów: czy istnieją przykłady branż właściwych dla danej dziedziny?
Aby zautomatyzować proces tworzenia Knowledge Graph i opisywania Entities oraz ich powiązań bez wiedzy na temat tego jak kodować, można skorzystać z narzędzi, takich jak Schemantra. Takie narzędzia pozwalają na tworzenie odpowiednich Entities i budowanie ontologii w celu powiązania ich z wykorzystaniem schema.org.
Trzeba jednak pamiętać, że grafy wiedzy znajdują również zastosowanie w praktycznie wszystkich branżach, takich jak na przykład:
Branża motoryzacyjna
Knowledge Graph może być wykorzystywany w branży motoryzacyjnej do opisywania oraz organizowania informacji na temat pojazdów, części, dostawców, ofert i cen.
Informacje te mogą być wykorzystywane w celu polepszenia doświadczeń klienta. Można to osiągnąć dostarczając spersonalizowane rekomendacje pojazdów, przedstawiając możliwe problemy z pojazdami i ułatwiając szybkie i dokładniejsze uzyskiwanie rezultatów wyszukiwania informacji na temat pojazdów i usług.
Branża nieruchomości
Knowledge Graph może być wykorzystywany w branży nieruchomości do opisywania i organizacji informacji na temat nieruchomości, lokalizacji i udogodnień.
Informacje te mogą być wykorzystywane w celu polepszenia doświadczeń klienta. Jest to możliwe do osiągnięcia poprzez dostarczanie spersonalizowanych polecanych nieruchomości, identyfikowanie potencjalnych problemów z nieruchomościami czy też ułatwianie, przyspieszanie i zwiększanie dokładności uzyskiwania odpowiednich rezultatów wyszukiwania obejmujących informacje z rynku nieruchomości.
Branża e-Commerce
Knowledge Graph może być wykorzystywany w branży e-commerce, aby przechowywać i organizować oraz prezentować informacje na temat produktów, producentów i cen.
Informacje te można wykorzystywać w celu poprawy doświadczeń klientów. Jest to możliwe dzięki zapewnianiu spersonalizowanych poleceń produktów, określaniu produktów, które są często kupowane razem oraz ułatwianiu szybkiego uzyskiwania dokładnych rezultatów wyszukiwania.
Dodatkowo, Knowledge Graph można wykorzystać do poprawy skuteczności wyszukiwarki poprzez identyfikację wzorów zachowania klientów oraz działania produktów. Takie informacje pomagają w odnalezieniu produktu docelowego.
Podsumowanie
Grafy wiedzy (Knowledge Graph) odgrywają znaczącą rolę w SEO zapewniając bardziej wyczerpujące zrozumienie treści strony internetowej przez wyszukiwarki.
Poprzez tworzenie ontologii i wykorzystanie narzędzi, takich jak Schema.org do oznaczania stron internetowych z ustrukturyzowanymi danymi, strony mogą zwiększyć swoją widoczność w rezultatach wyszukiwania. Ponadto wyszukiwarki mają ułatwione zrozumienie treści znajdującej się na stronie internetowej.
Grafy wiedzy pomagają również wyszukiwarkom zrozumieć powiązania pomiędzy różnymi Entities oraz koncepcjami na stronie. To pozwala im na dostarczanie użytkownikom bardziej odpowiednich i dokładnych rezultatów wyszukiwania. Grafy wiedzy są potężnymi narzędziami SEO, które mogą znacznie poprawić działanie wyszukiwarek stron internetowych.
