Граф знаний — это структурированная база данных сущностей (людей, мест, организаций, товаров) и связей между ними, которую поисковая система использует, чтобы понимать смысл, а не просто сопоставлять ключевые слова. Самый известный пример — Google Knowledge Graph: он формирует информационные панели рядом с результатами поиска и позволяет поисковику понимать, что бренд, его продуктовая линейка и конкретный номер модели — это связанные факты, а не три никак не связанные текстовые строки. Для электронной коммерции точное представление в такой базе сущностей всё сильнее влияет на то, насколько уверенно поисковая система показывает товары интернет-магазина и доверяет им.
Почему присутствие в графе знаний важно для электронной коммерции
Поисковые системы давно ушли от буквального сопоставления ключевых слов к пониманию того, о чём на самом деле страница, кто производит товар и как он связан с другими известными сущностями — брендом, категорией, набором сопоставимых товаров. Интернет-магазин, чей бренд и данные о товарах хорошо представлены в этой структуре сущностей, получает своего рода перенос доверия: поисковые системы, которые уже понимают сущность и доверяют ей, увереннее показывают связанный с ней контент, включая товарные объявления из фида. Это семантическое понимание также лежит в основе тех результатов органического поиска, которые выходят за рамки простого списка ссылок, включая расширенные сниппеты и торговые панели, которые берут структурированные факты о товаре напрямую, а не полагаются только на текст страницы.
Как формируется понимание графа знаний
Поисковые системы собирают понимание сущностей из множества структурированных сигналов в интернете: разметки schema.org на страницах товаров, согласованных тегов Open Graph, которые одинаково описывают одну и ту же сущность на каждой странице, где она встречается, GTIN и идентификаторов бренда в товарных фидах, а также сторонних источников, таких как Wikipedia или отраслевые базы данных, подтверждающих идентичность бренда. Согласованность всех этих источников важнее любого отдельного из них: товар, описанный одним образом в фиде, другим — в тегах Open Graph и третьим — в разметке на странице, посылает поисковой системе противоречивые сигналы о том, что она на самом деле видит. Та же логика сопоставления сущностей лежит в основе гибридного сопоставления на рекламных платформах, где запрос покупателя связывается с товаром не только по совпадению ключевых слов, но и через понимание сущностей с обеих сторон запроса.
Пример
<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>Значения GTIN и бренда совпадают в фиде и в разметке на странице — именно такая согласованность между источниками позволяет поисковой системе уверенно относить это объявление к известной сущности бренда, а не рассматривать его как непроверенный обособленный товар.
Связанные понятия
Понимание графа знаний во многом зависит от согласованных тегов Open Graph и структурированных данных, которые везде одинаково описывают одни и те же сущности, а та же логика распознавания сущностей лежит в основе гибридного сопоставления на рекламных платформах, которые стремятся связать запросы с товарами. Конечный результат качественного представления сущностей обычно проявляется в более уверенных и насыщенных результатах органического поиска, а не в каком-то одном измеримом факторе ранжирования.
