Um grafo de conhecimento é um banco de dados estruturado de entidades — pessoas, lugares, organizações, produtos e os relacionamentos entre eles — que um mecanismo de busca usa para entender o significado, em vez de apenas corresponder a palavras-chave. O Grafo de Conhecimento do Google é o exemplo mais conhecido, alimentando os painéis de informações que aparecem ao lado dos resultados de pesquisa e permitindo que o mecanismo entenda que uma marca, sua linha de produtos e um número de modelo específico são fatos relacionados, em vez de três sequências de texto não relacionadas. Para o comércio eletrônico, ser representado com precisão nesse tipo de banco de dados de entidades influencia cada vez mais a confiança que um mecanismo de busca deposita nos produtos de um varejista.

Por que a presença de grafos de conhecimento é importante para o comércio eletrônico

Os mecanismos de busca evoluíram muito além da simples correspondência de palavras-chave literais, passando a compreender o conteúdo real de uma página, quem fabrica o produto e como ele se relaciona com outras entidades conhecidas — uma marca, uma categoria, um conjunto de produtos similares. Um varejista cuja marca e dados de produto estão bem representados dentro dessa estrutura de entidades se beneficia de uma espécie de transferência de confiança: mecanismos de busca que já compreendem e confiam em uma entidade têm mais segurança ao exibir conteúdo relacionado a ela, incluindo listas de produtos extraídas de um feed. Essa compreensão semântica também sustenta os resultados de busca orgânica que vão além de uma simples lista de links, incluindo rich snippets e painéis específicos para compras que exibem informações estruturadas sobre o produto diretamente, em vez de se basearem apenas no texto da página.

Como é construída a compreensão de grafos de conhecimento

Os mecanismos de busca constroem o entendimento de entidades a partir de diversos sinais estruturados na web: marcação schema.org em páginas de produtos, tags Open Graph consistentes que descrevem a mesma entidade da mesma forma em todas as páginas em que ela aparece, GTINs e identificadores de marca em feeds de compras e fontes de terceiros, como a Wikipédia ou bancos de dados do setor, que corroboram a identidade de uma marca. A consistência entre todas essas fontes é mais importante do que qualquer uma isoladamente — um produto descrito de uma forma em seu feed, de outra forma em suas tags Open Graph e de uma terceira forma no schema da página envia sinais conflitantes para o mecanismo de busca sobre o que ele está realmente analisando. Essa mesma lógica de correspondência de entidades está na base da correspondência híbrida em plataformas de anúncios, onde a consulta de um comprador é associada a um produto não apenas pela sobreposição de palavras-chave, mas também pela compreensão das entidades envolvidas em ambos os lados da consulta.

Exemplo

<item>
  <g:id>SKU-10234</g:id>
  <g:title>Organic Cotton Crewneck Sweater - Charcoal, M</g:title>
  <g:brand>Nordwool</g:brand>
  <g:gtin>00196565113317</g:gtin>
  <g:mpn>NW-CS-CHR-M</g:mpn>
</item>
<!-- Structured data on the product page reinforcing the same entity -->
<script type="application/ld+json">
{
  "@type": "Product",
  "name": "Organic Cotton Crewneck Sweater - Charcoal, M",
  "brand": { "@type": "Brand", "name": "Nordwool" },
  "gtin13": "00196565113317"
}
</script>

Os valores GTIN e de marca são idênticos em todo o feed e no esquema da página, que é exatamente o tipo de consistência entre fontes que permite a um mecanismo de busca atribuir com segurança essa listagem a uma entidade de marca conhecida, em vez de tratá-la como um produto independente não verificado.

Conceitos Relacionados

A compreensão do grafo de conhecimento depende fortemente de tags Open Graph consistentes e dados estruturados que descrevem as mesmas entidades da mesma maneira em todos os lugares onde aparecem, e a mesma lógica de resolução de entidades está na base da correspondência híbrida em plataformas de anúncios que tentam conectar consultas a produtos. O resultado final de uma representação robusta de entidades geralmente se manifesta em resultados de pesquisa orgânica mais confiáveis ​​e ricos, em vez de um único fator de classificação mensurável.