تأثیر گراف دانش به سرعت در حال رشد است و باید در استراتژی SEO شما گنجانده شود.
سال هاست که حضور گراف دانش در SERP های گوگل افزایش یافته است. در نتیجه، نتایج جستجوی کلاسیک، که به عنوان “10 پیوند آبی” نیز شناخته میشوند، رقابت بیشتری برای جلب توجه جستجوگر پیدا میکنند.
یا بهتر است آن را «پرسش کنندگان» بنامیم؟ زیرا اکثر پرس و جوهای جستجو، سوالاتی هستند که به طور ضمنی فرموله شده اند و نیاز به پاسخ دارند.
گوگل میخواهد از ویژگی های SERP برای پاسخگویی مستقیم به سوالات استفاده کند. این ویژگی ها پنجره ای به گراف دانش هستند یا به طور مستقیم یا غیرمستقیم با آن مرتبط هستند.
این مقاله توضیح میدهد که Google چگونه گرافهای دانش را ایجاد میکند و گراف دانش گوگل چگونه کار میکنند.
گراف دانش گوگل چیست؟(Google Knowledge Graph)
هویت ها نقش مستقیم یا غیرمستقیم در بسیاری از پرس و جوهای جستجو دارند. به همین دلیل است که برای بسیاری از پرس و جوهای جستجو، انواع جعبه متفاوتی را در SERPها پیدا خواهید کرد.
به محض اینکه Google متوجه شد که با یک عبارت جستجو به عنوان موضوع، مستقیماً پس از آن که نهاد در مورد گراف دانش تحویل داده شده است. گراف دانش را می توان جعبه نهاد نیز نامید و تقریباً برای همه انواع موجودیت ارائه می شود.
با این حال، یک گراف دانش برای هر موجودی از یک نوع ارائه نمی شود. موجودیت باید در گراف دانش ثبت شود.
یکی از سوالات اساسی برای سئوکاران این است که کدام نهادها را در گراف دانش گوگل قرار دهند. به گفته گوگل، فقط هویتهای نامگذاری شده از کلاسهای انواع هویت زیر اساساً در گراف دانش ثبت میشوند.
- کتاب و سری کتاب
- موسسات آموزشی، دولت، مغازه های محلی، شرکت ها
- مناسبت ها
- فیلم و سریال
- گروه ها و آلبوم های موسیقی
- مردم
- مکان ها
- تیم های ورزشی
- سریال تلویزیونی
- بازی های ویدیویی و سریال
- وب سایت ها یا دامنه ها
با این حال، همه هویت های این کلاس ها با یک گراف دانش ارائه شده در SERP مرتبط نیستند. نهادها باید از یک ارتباط اجتماعی یا اقتدار معین در حوزه مربوط برخوردار باشند.
تبلیغ خدمات رخ نت : طراحی سایت در اصفهان
گراف دانش کلاسیک را می توان با دکمه اشتراک گذاری در قسمت بالای گراف تشخیص داد.
گراف دانش را نباید با گوگل بیزنس پروفایل(Goolge Business Profile) اشتباه گرفت. GBP بر اساس گراف دانش نیستند، بلکه بر اساس ورودی در Google Business هستند. اینکه تا چه حد داده های کسب و کار گوگل نیز در گراف دانش در نظر گرفته شده است، مشخص نیست، اما بعید نیست.
Google از الگوهای مختلف برای گراف دانش استفاده می کند. متغیرهایی برای محتوا در گراف دانش بسته به نهاد یا نوع موجودی که جستجو می شود متفاوت است. مکاندارها بر اساس ویژگیهای استاندارد نوع موجودیت مربوط هستند.
Google چگونه ارتباط یک نهاد را برای ارائه یک گراف دانش تعیین می کند؟
معیارهایی که توسط Google این ارتباط را ارزیابی می کند به وضوح مستند نشده است یا اظهارات مشخصی از طرف Google وجود ندارد.
ویکیپدیا نقش ویژهای برای موجودیت اثبات دارد. مطمئن ترین راه برای شناسایی به عنوان یک موجودیت، داشتن یک صفحه در ویکی پدیا است.
اما پلتفرمهای دیگری که دادههای نیمه ساختاریافته را ارائه میکنند، مانند Soundcloud، میتوانند توسط گوگل برای شناسایی نهادها نیز استفاده شوند، همانطور که هک کلمه کلیدی “SEO services India” نشان داده است.
در آنجا مشخص می شود که SoundCloud به عنوان منبع برای شناسایی موجودیت استفاده شده است. وب سایت هایی مانند SoundCloud یا Wikipedia همیشه اطلاعات را در یک ساختار ثابت ارائه می دهند. این بدان معنی است که اطلاعات را می توان به راحتی از وب سایت ها بدون علامت گذاری استخراج کرد.
گوگل چگونه یک پنل دانش ایجاد می کند؟
گراف دانش برای اولین بار در SERP سال 2012 معرفی شد.
در حق ثبت اختراع Google ارائه گراف دانش با نتایج جستجو، روش و هدف اصلی گراف دانش را پیدا می کنید. هدف کاربران یک موتور جستجو به شرح زیر است.
گرافهای دانش میتوانند تجارب جستجوی کاربران را بهبود بخشند، بهویژه برای پرسشهایی که به یادگیری، مرور یا کشف مربوط میشوند. به عنوان مثال، گراف دانش اطلاعات واقعی اولیه یا خلاصه ای از اطلاعات مربوط به یک موجودیت خاص را که در یک عبارت جستجو به آنها ارجاع داده شده است، در اختیار کاربران قرار می دهد. گراف دانش می تواند به کاربران در پیمایش به محتوای مرتبط به روشی یکپارچه و طبیعی کمک کنند. گراف های دانش می توانند محتوای جدیدی را ارائه دهند که در غیر این صورت ممکن است کاربر بدون انتخاب چندین نتیجه جستجو با آن مواجه نشود. گراف دانش همچنین میتواند به کاربران کمک کنند تا اطلاعات را سریعتر از زمانی که کاربران مجبور به کلیک بر روی نتایج جستجوی متعدد برای به دست آوردن اطلاعات شوند، به دست آورند.»
در اینجا گزیده ای از ثبت اختراع در مورد روش شناسی ارائه گراف دانش آمده است:
«روشها، سیستمها و دستگاهها، از جمله برنامههای رایانهای رمزگذاریشده بر روی یک رسانه ذخیرهسازی رایانه، برای ارائه گراف دانش با نتایج جستجو. از یک جنبه، یک روش شامل به دست آوردن نتایج جستجو است که پاسخگوی یک درخواست دریافتی است. یک موجودیت واقعی که توسط پرس و جو به آن ارجاع داده شده است، شناسایی می شود. محتوا برای نمایش در گراف دانش برای موجودیت واقعی شناسایی می شود. محتوا شامل حداقل یک آیتم محتوایی است که از یک منبع اول و حداقل یک آیتم محتوای دوم که از منبع دوم متفاوت از منبع اول به دست آمده است. داده هایی ارائه می شود که باعث می شود نتایج جستجوی شناسایی شده و گراف دانش در صفحه نتایج جستجو ارائه شود. گراف دانش محتوای شناسایی شده را در یک منطقه گراف دانش ارائه می دهد که در کنار حداقل بخشی از نتایج جستجو قرار دارد.
عملکرد اصلی هنگام ارائه یک گراف دانش را می توان در مراحل فرآیند زیر خلاصه کرد:
- شناسایی یک یا چند نهاد مرتبط در پرس و جو
- شناسایی منابع مرتبط برای اصلی
- ایجاد نتایج جستجوی مرتبط با پرس و جوی جستجو
- بررسی کنید که آیا عبارت جستجو واقعاً به اصلی واقعی اشاره دارد یا خیر
- نهاد تعیین نوع موجودیت برای موجودیت اصلی درخواست شده
- انتخاب یک الگوی گراف دانش مناسب که با نوع نهاد تعیین شده مطابقت دارد
- شناسایی عناصر محتوای مرتبط با موجودیت اصلی از یک منبع مرتبط و قابل اعتماد.
- تعیین عنصر محتوایی دیگر از منبع دیگر.
- پر کردن مکانها در قالب گراف دانش انتخابی با عناصر محتوای انتخابی.
- ادغام نتایج جستجو و گراف دانش در یک صفحه نتایج جستجو
درک اینکه هر نوع موجودی به الگوی گراف دانش خاص خود با متغیرهایی مربوط اختصاص داده شده است، هیجان انگیز است.
نوع موجودیت مربوط که توسط یک گراف دانش نشان داده می شود، همیشه در زیر نام موجودیت مشخص می شود. بسته به اینکه کدام ویژگی های استاندارد به نوع موجودیت اختصاص داده می شود و مقادیر برای کدام ویژگی ها در دسترس است، محتوا در گراف دانش مشخص می شود.
گوگل چگونه برای گراف دانش تصاویر را تولید می کند؟
با توجه به این سؤال که کدام تصاویر برای گراف دانش انتخاب می شوند، من به برخی از پتنت های گوگل در چند سال گذشته نگاه کردم.
این پتنت توضیح میدهد که چگونه Google میتواند تصاویر نمایندهای را برای نهادهایی از نوع «person» برای گراف دانش مربوط انتخاب کند.
مراحل به شرح زیر است:
- به مجموعه ای از تصاویر ممکن دسترسی داشته باشید
- خوشه بر اساس شباهت
- محبوب ترین خوشه ها را شناسایی کنید
- تعیین کنید که آیا تصویر پرتره است یا خیر
- امتیاز پرتره Assigna
- نماینده ترین تصویر را انتخاب کنید
- تصویر را در گراف دانش نمایش دهید
انتخاب تصاویر ممکن و همچنین خوشهبندی آنها در دستهها بسته به نزدیکی به موجودیت و همچنین نسبت ابعاد تعیین میشود. به احتمال زیاد از روش های یادگیری ماشینی استفاده می شود. با نگاه کردن به جستجوی تصویر، ایده ای از دسته بندی های احتمالی به دست می آوریم.
یکی دیگر از حق اختراعات هیجان انگیز Google مربوط به تصاویر و نهادها توضیح می دهد که چگونه Google Images می تواند تصاویر را برای پیش انتخاب معنایی جمع کند.
یک روش سیستمی و کامپیوتری برای ارتباط تصاویر با موجودیت های معنایی و ارائه نتایج جستجو با استفاده از موجودیت های معنایی. پایگاه داده تصویر حاوی یک یا چند تصویر منبع مرتبط با یک یا چند برچسب تصویر است. یک کامپیوتر ممکن است یک یا چند سند حاوی برچسب های مرتبط با هر تصویر ایجاد کند. تجزیه و تحلیل ممکن است بر روی یک یا چند سند انجام شود تا تصاویر منبع را با موجودیت های معنایی مرتبط کند. موجودیت های معنایی ممکن است برای ارائه نتایج جستجو استفاده شوند. در پاسخ به دریافت یک تصویر هدف به عنوان یک پرس و جو، تصویر مورد نظر ممکن است با تصاویر منبع مقایسه شود تا تصاویر مشابه شناسایی شوند. موجودیت های معنایی مرتبط با تصاویر مشابه ممکن است برای تعیین یک موجودیت معنایی برای تصویر مورد نظر استفاده شوند. موجودیت معنایی تصویر هدف ممکن است برای ارائه نتایج جستجو در پاسخ به جستجوی آغاز شده توسط تصویر هدف استفاده شود.
در این پتنت، تصاویر با ویژگی ها برچسب گذاری شده اند. که از طریق آن می توان تصاویر را به نهادهای خاص اختصاص داد. این ویژگی ها در ابتدا از طریق تشخیص تصویر یک تصویر اولیه شناسایی می شوند. ویژگیهای اضافی از طریق ویژگیهای تصاویر مشابه و موجودیتهای مشابه، احتمالاً از همان نوع، اضافه میشوند. اینگونه است که معنای تصویر پدیدار می شود.
این پتنت ها برخی از رویکردها را در مورد چگونگی تعیین تصاویر توسط Google برای گراف های دانش توصیف می کنند. به نظر من منبع تصویر نیز تعیین کننده است که گوگل مرتبط ترین تصویر را برای یک موجودیت انتخاب می کند و بنابراین در گراف دانش استفاده می کند.
به نظر می رسد منابع محبوب برای تصاویر افراد شامل Wikidata, Wikipedia, Wikimedia و شبکههای اجتماعی (مانند لینکدین، توییتر) و مجلات معروف باشد. اینکه تا چه حد رتبه بندی در جستجوی تصویر با انتخاب تصویر(ها) برای گراف دانش مرتبط است، مشخص نیست.
تأثیر گراف دانش به سرعت در حال رشد است
تأثیر ویژگیهای SERP هر سال در حال افزایش است و به همراه آن تأثیر گراف دانش بر نتایج جستجو افزایش مییابد. پیوندهای آبی کلاسیک توجه و در نتیجه ارتباط بیشتری را از دست می دهند.
موجودیت ها در مرکز گراف دانش قرار دارند و تأثیر فزاینده ای بر SERP ها خواهند داشت.
با توجه به جستجوی صوتی، ویژگی های SERP مانند قطعه های برجسته و گراف های دانش نیز نقش مهمی ایفا می کنند.
تغییرات در SERP ها به دلیل به روز رسانی MUM، همانطور که نقش مرکزی فزاینده جستجوهای مبتنی بر موجودیت را می توان مشاهده کرد.
بنابراین، سئوکاران دیگر نباید این موضوع را به عنوان یک موضوع “خوب برای داشتن” درک کنند. گراف دانش باید در استراتژی های سئوی شما گنجانده شود.
منبع : searchengineland.com