知识图谱是一个由实体（人物、地点、组织、商品）及其相互关系构成的结构化数据库，搜索引擎借助它理解含义，而不仅仅是匹配关键词。Google 的 Knowledge Graph 是最知名的例子：它为搜索结果旁出现的信息面板提供支持，并让搜索引擎理解一个品牌、它的产品线和某个具体型号是彼此相关的事实，而不是三段互不相干的文本。对于电商而言，能否在这类实体数据库中得到准确呈现，正越来越多地影响搜索引擎在多大程度上信任并展示零售商的商品。
为什么知识图谱对电商很重要
搜索引擎早已不再只是匹配字面关键词，而是努力理解一个页面实际讲的是什么、商品由谁制造，以及它与其他已知实体（品牌、类别、一组可比商品）之间的关系。如果零售商的品牌和商品数据在这一实体结构中得到充分呈现，就能获得一种“信任传递”：搜索引擎已经理解并信任某个实体时，就会更有把握地展示与之相关的内容，包括从 feed 中拉取的商品刊登。这种语义理解还支撑着不止于简单链接列表的 自然搜索 结果，包括富摘要和购物专属面板，它们直接提取结构化的商品事实，而不只是依赖页面文字。
知识图谱理解是如何建立的
搜索引擎会从网络上的众多结构化信号中构建对实体的理解：商品页面上的 schema.org 标记；在实体出现的每个页面上以相同方式描述同一实体的一致 Open Graph 标签；购物 feed 中的 GTIN 和品牌标识符；以及 Wikipedia 或行业数据库等能够佐证品牌身份的第三方来源。所有这些来源之间的一致性比任何单一来源都更重要：如果一个商品在 feed 中是一种描述，在 Open Graph 标签中是另一种描述，在页面 schema 中又是第三种描述，搜索引擎就会收到相互矛盾的信号，不知道它看到的究竟是什么。同样的实体匹配逻辑也是广告平台中 混合匹配 的基础：购物者的查询与商品之间的匹配，不只是靠关键词重叠，还要理解查询两端所涉及的实体。
示例
<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>GTIN 和品牌值在 feed 和页面 schema 中完全一致，正是这种跨来源的一致性让搜索引擎能够有把握地将这条刊登归属于一个已知的品牌实体，而不是把它当作一个未经验证的孤立商品。
相关概念
知识图谱理解在很大程度上依赖于一致的 Open Graph 标签 和结构化数据，在实体出现的每个地方都以相同的方式描述它们；同样的实体解析逻辑也支撑着广告平台上试图将查询与商品联系起来的 混合匹配。强有力的实体呈现最终通常体现为更可信、更丰富的 自然搜索 结果，而不是某一个可衡量的排名因素。
