نمودار دانش گوگل چیست؟

از طریق GIPHY

سخن پایانی (دور از) درباره نمودارهای دانش

در سطح 30000 فوت، نمودار دانش Google یک پایگاه دانش از موجودیت‌هایی است که در نموداری به نام نمودار دانش ساختار یافته‌اند.

به عبارت دیگر، داده‌های ساختاریافته به شکل جدول یا داده‌های نیمه ساختاریافته مانند پست‌های وبلاگ ویکی‌پدیا، آنچه را که سیستم‌های هوش مصنوعی برای پردازش زبان انسانی نیاز دارند، نمی‌دهند.

علاوه بر این، هر مقاله به دسته‌هایی اختصاص داده می‌شود و می‌توانیم این دسته‌ها را به عنوان انواع موجودیت مشاهده کنیم.

جالب است بدانید که نمودار دانش گوگل به طور مستقیم با SERP ها در تعامل است. واضح ترین مکان برای دیدن این پانل های دانش گوگل است. پانل های دانش راهی برای کاربر نهایی برای تعامل با اطلاعات موجود در نمودار دانش است.

اگرچه ماشین‌ها واقعاً زبان را نمی‌فهمند، اما می‌توانند از درک تقلید کنند.

در صورتی که نمی دانید آن عبارت به چه معناست، نترسید، سعی می کنم آن را جدا کرده و هر بخش را یکی یکی توضیح دهم. سپس سعی می‌کنم همه آن‌ها را در یک جمله منسجم که برای افراد عادی قابل درک باشد، جمع کنم.

از طریق GIPHY

جستجوی معنایی

مایکل جرارد تایسون (زاده 30 ژوئن 1966) بوکسور حرفه ای سابق آمریکایی است که از سال 1985 تا 2005 در مسابقات شرکت کرد.

هنگامی که موتورهای جستجو این اطلاعات ساختاریافته یا نیمه ساختار یافته را داشته باشند، هنوز به گونه ای مرتب نشده اند که موتورهای جستجو بتوانند از آن برای جستجوی معنایی استفاده کنند.

این پست وبلاگ و سایر پست های این مجموعه نشان دهنده تلاش من برای درک سئوی معنایی است. باید اذعان کنم که این پست بیشتر از اطلاعاتی است که از کتاب الکترونیکی کریستیان بالوگ جمع آوری شده است. جستجوی موجودیت گرا.

من مطمئناً خود را یک فرد غیر روحانی می دانم و این بدان معنی است که امیدوارم از زبانی استفاده کنم که درک آن ساده باشد.

و…

سه‌گانه‌های معنایی مجموعه‌ای از سه موجودیت هستند که در یک عبارت به شکل موضوع – محمول – مفعول مرتب شده‌اند. (یک عبارت RDF که به شکل نمودار نمایش داده می شود با یک گره برای موضوع، یک یال از موضوعی به شیء دیگر و یک گره برای شی نشان داده می شود.)

آنها می توانند به صورت اختیاری شامل توضیحات موجودیت ها و همچنین ویژگی های موجودیت باشند. این مخازن دانش در قالب های ساختاریافته یا نیمه ساختار یافته وجود دارند.

همانطور که در بالا ذکر کردم، دلیل اینکه موتورهای جستجو پایگاه‌های داده موجودیت‌ها را نگه می‌دارند، این است که می‌توانند اطلاعات را در ساختاری سازماندهی کنند که از نحوه ساختاردهی اطلاعات افراد تقلید کند.

با در نظر گرفتن این موضوع، هر موجودی که در مثال بالا وجود دارد، می تواند به عنوان موضوع در مجموعه ای از سه گانه متفاوت دیده شود که در نتیجه شبکه پیچیده ای از موجودیت ها و روابط ایجاد می شود.

بخوانید:   کاهش مصرف انرژی وب سایت های وردپرسی • Yoast

موجودیت ها کوچکترین بلوک های سازنده مورد نیاز برای سازماندهی اطلاعات به این روش هستند.

برای دستیابی به پردازش زبان طبیعی، آنها به پایگاه‌های اطلاعاتی قابل خواندن ماشین نیاز دارند که به گونه‌ای ساختار یافته باشند نحوه سازماندهی اطلاعات توسط انسان ها را تقلید می کند.

به زبان ساده ویکی پدیا یک مخزن دانش نیمه ساختار یافته است.

مخازن دانش ساختاریافته

بنابراین، گوگل چگونه این کار را انجام می دهد؟

11 مه 2022 | ارسال شده توسط Darrell Mordecai

به زبان ساده، یک موتور جستجوی معنایی برای تعامل با افرادی که از زبانی استفاده می کنند طراحی شده است.

یک موجودیت Google توسط Google به عنوان “یک چیز یا مفهومی که منحصر به فرد، منحصر به فرد، به خوبی تعریف شده و قابل تشخیص است” تعریف می شود.

بیایید آن را به صورت بصری تجزیه کنیم.

مقالات ویکی‌پدیا همچنین روابط بین موجودیت‌ها را با افزودن پیوندهای بین مقالات نشان می‌دهند. آنها همچنین شامل اطلاعاتی در مورد ویژگی ها و روابط یک موجودیت هستند.

درک این نکته مهم است که نرم افزار هوش مصنوعی برای انجام وظایف پیچیده NLP، مانند درک پرس و جوهای کاربر، نیاز به ساختاردهی داده ها به روشی خاص دارد.

بنابراین، برای مثال، بیایید به اولین جمله در مقاله ویکی پدیا در مورد مایک تایسون نگاه کنیم:

درباره نویسنده

دارل یک بازاریاب محتوا در Rank Ranger است. در حین کار به عنوان مدیر سئو در یک آژانس بازاریابی کوچک، دارل به عشق خود به بازاریابی و سئو پی برد.

منبع: https://www.rankranger.com/blog/knowledge-graph

برای شروع درک نمودارهای دانش گوگل، ابتدا باید بدانیم که چرا موتورهای جستجو به سمت جستجوی معنایی در حال تکامل هستند.

پردازش زبان طبیعی گوگل توانایی آن در “درک” و تعامل با زبان طبیعی انسان است.

خوب، پس نهادها چیست؟

موجودیت گوگل چیست؟

به عبارت ساده موتورهای جستجو دارای پایگاه داده هایی از موجودیت ها هستند و این پایگاه داده ها شامل اطلاعات موجودیت ها مانند نام، نوع، ویژگی ها و نحوه ارتباط موجودیت ها با موجودیت های دیگر است.

مشکل این است که مانع ورود زیاد است. به عبارت دیگر، برای انجام سئوی معنایی باید درک اولیه ای از نحوه عملکرد جستجوی معنایی داشته باشید.

موضوع یک سه گانه یک موجودیت است. محمول می تواند یک نوع یا رابطه باشد. به عنوان مثال، ملیت، تاریخ تولد، نام، و غیره

با داشتن ساختار اطلاعاتی به این شکل، موتورهای جستجو قادرند پرس و جوی کاربر را “درک” و منابع مربوطه را بیاورید برای پاسخ به پرسش با “درک” محتوای آنلاین.

شکی نیست که سئوی معنایی آینده سئو است.

RDF زبانی است که برای توصیف موجودیت ها و روابط آنها طراحی شده است. از منابع تشکیل شده است.

در این پست به این سوال می پردازم:

نمودار دانش گوگل چیست؟

اکنون برای سازماندهی اطلاعات به گونه ای که به ماشین ها اجازه انجام این کار را بدهد، باید ایده ها و اطلاعات را به موجودیت ها تقسیم کنند.

برای مقابله با آن، من سعی کرده ام برخی منابع سئو معنایی ایجاد کنم که هر کسی بتواند آن را درک کند.

برای کسانی از شما که یادگیرنده بصری هستید، در اینجا یک تصویر وجود دارد:

برای انجام این کار، پایگاه‌های دانش باید اطلاعاتی را از مخازن دانش گرفته و آن‌ها را در قالب ادعاهایی درباره جهان سازماندهی کنند. این ادعاها موجودیت ها و چگونگی ارتباط آنها با یکدیگر را توصیف می کند. این را بعداً با جزئیات بیشتر توضیح خواهم داد.

یک منبع می تواند به:

• یک موجود یا شی
• یک نوع یا کلاس
• روابط موجودیت

این منابع در دستورات RDF به نام مرتب شده اند سه گانه معنایی.

در اینجا یک نمایش تصویری از کل جمله است:

چرا موتورهای جستجو این کار را انجام می دهند؟

موضوع و محمول با شناسه عددی خود به نام URI نشان داده می شوند. موضوع عبارت می تواند با یک URI نمایش داده شود یا می تواند یک مقدار تحت اللفظی باشد.

بنابراین در تصویر بالا، می‌توانید دسته‌بندی‌های موجودیت «پردازش زبان طبیعی» را ببینید. همانطور که می بینید پردازش زبان طبیعی دسته ای از موجودیت ها است. علاوه بر این، این یک زیرمجموعه از زبان‌شناسی محاسباتی است. زبان شناسی محاسباتی زیرمجموعه ای از تشخیص گفتار و غیره است.

نمودار دانش گوگل از اجزای مختلف تشکیل شده است. دلیل این امر این است که موتورهای جستجو به سؤالات کاربران پاسخ دهند، آنها باید:

• یک منبع اطلاعاتی قابل اعتماد داشته باشید
• ساختار آن اطلاعات را به گونه ای تنظیم کنید که به موتور جستجو اجازه دهد به سوالات پاسخ دهد

این ما را به این می رساند:

• مخازن دانش (KR)
• پایگاه های دانش (KB) که اغلب به عنوان نمودارهای دانش (KG) شناخته می شود.

بیایید به هر دو بپردازیم.

مخزن دانش (KR)

موضوع، موجودیت «مایک تایسون»، محمول «تاریخ تولد» و «30-06-1966» مفعول است. من یک مستطیل در اطراف مایک تایسون قرار داده ام تا نشان دهد که مایک تایسون یک موجود است. از سوی دیگر، 1966-06-30 یک موجودیت نیست، بلکه یک مقدار است، بنابراین من آن را در کاماهای معکوس قرار داده ام.

اگرچه هیچ استراتژی عملی در این پست وجود ندارد، من احساس می‌کنم این دانش یک پایه اساسی در درک سئوی معنایی است که به شما کمک می‌کند تا در مسیر ستاره شدن سئو پیشرفت کنید.

برای انجام این کار، موتورهای جستجو به یک مدل داده به نام چارچوب توصیف منابع (RDF) نیاز دارند. RDF مجموعه ای استاندارد از عبارات را ارائه می دهد که موجودیت ها یا منابع را توصیف می کند.

فرمت شرح منبع (RDF)

متأسفانه، همانطور که اوضاع در حال حاضر پیش می‌رود، اگر در گوگل برای منابع ساده و قابل فهم برای افراد عادی جستجو کنید، متوجه می‌شوید که سرتان را می‌خراشید.

دلیل؟

مخازن دانش منابع اطلاعاتی هستند که موتورهای جستجو از آنها برای ایجاد پایگاه های دانش استفاده می کنند. آنها فهرستی از موجودیت ها هستند که موجودیت ها را در انواع موجودیت ها مرتب می کنند.

دلیل این امر این است که موتورهای جستجو در آن زمان راهی برای درک سؤال شما نداشتند. آنها همچنین نتوانستند معنای محتوای آنلاین را برای پاسخ به سؤال شما درک کنند.

خوب، اکنون ما یک درک اولیه از موجودیت ها داریم، بیایید به نمودارهای دانش برویم.

آشنایی با نمودار دانش گوگل

خوب، اگر مدتی در آنجا بوده باشید، ممکن است به یاد بیاورید که تایپ یک پرس و جو در یک موتور جستجو پانزده یا بیست سال پیش چگونه بود. اگر به خاطر دارید بسیار نادرست بود. شما سعی می کنید کلمات مناسب را برای تایپ در موتور جستجو بیابید و سپس باید برای یافتن منبع مورد نظر خود جستجو کنید.

داده های نیمه ساختار یافته به سادگی به اطلاعاتی اشاره دارد که دارای ساختاری مانند نشانه گذاری HTML شامل سرفصل ها، پاراگراف ها و جداول هستند.

تمام این اطلاعات در قالب نیمه ساختار یافته است.

مخازن دانش نیمه ساختاریافته

در تصویر بالا، اولین عبارت را به صورت سه گانه نشان داده ام.

نمونه کامل یک مخزن دانش ویکی پدیا است. هر مقاله ویکی‌پدیا یک موجودیت خاص را توصیف می‌کند و آن را به یک فهرست موجودیت تبدیل می‌کند.

آن را با تجربه امروزی خود در استفاده از موتورهای جستجو مقایسه کنید. آیا تا به حال متوجه شده اید که گوگل تقریباً به طور مستقیم می تواند محتوایی را برای شما بیاورد که نه تنها با درخواست شما مرتبط باشد بلکه اغلب می تواند مستقیماً به درخواست شما در صفحات نتایج پاسخ دهد؟

درعوض، اطلاعات باید به روشی مشابه با نحوه سازماندهی اطلاعات در ذهن افراد ساخته شود.

پردازش زبان طبیعی (NLP).

و درک منجر به بینش های عملی می شود.