Entity Graph / Knowledge Graph

Что такое Entity Graph / Knowledge Graph?

Entity Graph (граф сущностей) или Knowledge Graph (граф знаний) — это структурированная база знаний, в которой информация представлена в виде узлов (сущностей: люди, организации, продукты, места, понятия) и рёбер (связей между ними: «производит», «находится в», «является типом»). В контексте поиска и генеративных ИИ графы знаний служат источником фактической информации, которую системы используют для понимания запросов, проверки фактов и обогащения ответов.

Понятие относится к области AI Search и напрямую связано с GEO. Если классическое SEO работало с текстовыми документами, то GEO учитывает, что генеративные модели опираются на структурированные знания о сущностях. Знание того, как устроен граф знаний и как ваш бренд в нём представлен, позволяет управлять тем, насколько точно модель понимает и описывает ваш бизнес.

Важно: Knowledge Graph — это не один централизованный граф, а множество связанных баз: Google Knowledge Graph, Wikidata, DBpedia, внутренние графы Bing и других систем. Ваш контент и внешние упоминания формируют то, как эти графы описывают ваши сущности.

Как это работает?

Граф знаний строится путём извлечения сущностей и связей из структурированных данных (Schema.org), открытых баз (Wikidata), а также из анализа текстов веба. В генеративном поиске Knowledge Graph может использоваться на нескольких этапах:

• Понимание запроса — модель разрешает упомянутые в промпте сущности, обращаясь к графу для уточнения их типа и атрибутов. Например, различает «Apple» как компанию и как фрукт.
• Retrieval — граф может служить источником дополнительных кандидатов: если в графе есть связь «продукт X относится к категории Y», система может искать документы о категории Y, даже если в запросе она явно не названа.
• Grounding — модель сверяет извлечённые из документов утверждения с фактами из графа, выбирая наиболее достоверные.
• Generation — модель добавляет в ответ факты из графа, которых не было в retrieved документах, но которые релевантны запросу (например, дату основания компании, полное имя основателя).

Ключевая особенность: граф знаний позволяет модели выходить за пределы текста и использовать накопленные структурированные факты, что повышает точность и полноту ответов.

Как это связано с GEO?

Связь: прямая и фундаментальная. GEO строится на оптимизации сущностей и их представлении в графах знаний. Чем точнее и полнее ваш бренд, продукты и услуги описаны как сущности, тем выше вероятность, что генеративная система корректно их распознает, свяжет с запросом и использует в ответе.

Влияние на компоненты AI Search:

• Понимание контента — если ваши страницы размечены org и согласованы с графом, модель легче интерпретирует, о чём они.
• Понимание сущностей — граф задаёт канонические имена, типы и атрибуты. Если ваш контент использует эти же идентификаторы (например, ссылки на Wikidata), уменьшается неоднозначность.
• Обнаружение и извлечение информации — структурированные данные упрощают извлечение сущностей из страниц и их сопоставление с графом.
• Ranking — в гибридном поиске документы, содержащие сущности, соответствующие графу, могут получать преимущество.
• Grounding — модель доверяет информации, которая согласуется с графом, и отбрасывает противоречивую.
• Цитирование — если ваш источник стал авторитетным описанием сущности, он с большей вероятностью будет указан.
• Упоминание бренда — присутствие бренда в графе с правильными связями (категория, продукты, местоположение) повышает шанс его упоминания в подходящем контексте.

Таким образом, GEO включает работу по формированию и коррекции представления ваших сущностей в графах знаний.

Почему это важно для бизнеса?

Если ваша компания отсутствует в графе знаний или описана неточно, модель может либо не знать о вас, либо давать неверную информацию (например, путать с одноимённой компанией). Пользователи, получающие такие ответы, теряют доверие, а вы — потенциальных клиентов. Напротив, точное и полное присутствие в графе знаний делает ваш бренд «видимым» для ИИ как надёжную сущность.

Причинно-следственная цепочка:

Бренд и продукты корректно описаны в графе знаний

→ Модель безошибочно распознаёт их в запросах

→ Retrieval находит релевантные страницы

→ Grounding использует согласованные факты

→ Бренд упоминается или рекомендуется

→ Пользователь получает точную информацию, доверяет, переходит

→ Рост видимости, трафика, конверсий

Практическое значение:

• Устранение неоднозначности — модель не перепутает ваш бренд с тёзкой.
• Повышение доверия — согласованность с авторитетными базами знаний сигнализирует о надёжности.
• Конкурентное преимущество — если конкуренты не представлены в графе, вы занимаете место эксперта.
• Улучшение всех каналов — граф знаний влияет и на классический поиск (Knowledge Panel), и на AI-ответы.

Ограничение: напрямую редактировать графы знаний нельзя. Вы можете влиять только через структурированные данные на сайте, внешние упоминания и открытые базы (Wikidata, Wikipedia).

Как применять на практике?

Алгоритм для SEO/GEO-специалиста:

Определите целевые сущности
Составьте список: бренд, ключевые продукты, услуги, ключевые персоны, локации. Для каждой сущности определите её тип и атрибуты (название, категория, адрес, дата основания, связи).

Проверьте текущее представление в графах
Используйте Google Knowledge Graph API, Wikidata, Wikipedia, чтобы узнать, как эти сущности уже описаны. Сверьте названия, типы, атрибуты. Выявите расхождения и отсутствующие данные.

Внедрите структурированные данные на сайте
Разметьте страницы Schema.org: Organization, Brand, Product, Person, LocalBusiness. Обязательно заполните поля name, description, sameAs (ссылки на Wikidata, Wikipedia, официальные соцсети), logo, address, founder и другие релевантные.

Согласуйте с открытыми базами
Если ваша сущность есть в Wikidata, проверьте и при необходимости отредактируйте запись (соблюдая правила проекта). Если есть значимость для Wikipedia, создайте или улучшите статью. Это напрямую влияет на графы, которые используют поисковики.

Публикуйте согласованную информацию
Убедитесь, что на всех внешних площадках (отраслевые каталоги, соцсети, пресс-релизы) описание сущностей совпадает: одинаковое название, адрес, логотип, ключевые факты. Разнобой порождает противоречия в графе.

Мониторьте изменения
Регулярно проверяйте Knowledge Graph API и ответы AI-систем на вопросы о ваших сущностях. Если модель ошибается, усильте согласованность и явность данных на сайте и во внешних источниках.

Оценивайте результат
Отслеживайте появление Knowledge Panel в Google, точность ответов ChatGPT/Perplexity о вашем бренде, рост брендовых запросов и цитирований.

Роли:

• SEO/GEO-специалист — аудит графа, разметка, мониторинг.
• Контент-менеджер — создание точных описаний сущностей.
• PR/маркетинг — работа с Wikipedia, Wikidata, внешними каталогами.
• Разработчик — внедрение org, интеграция с API.

Пример

B2B-компания: поставщик промышленного оборудования

Было: компания «ТехноПром» не была представлена в Google Knowledge Graph, и ChatGPT путал её с одноимённой компанией из другого региона. В ответах на вопросы о поставщиках конвейерных лент модель не упоминала фирму, так как не могла однозначно её идентифицировать.

Сделали:

• Создали страницу «О компании» с полным описанием: полное юридическое название, год основания, регион, специализация, ключевые продукты.
• Внедрили org Organization со всеми полями, включая sameAs на Wikidata.
• Создали запись в Wikidata с уникальным идентификатором, указав тип «business», отрасль, местоположение, официальный сайт.
• Добавили информацию о компании в отраслевые справочники с одинаковыми атрибутами.
• На всех страницах сайта в подвале разместили ссылку на официальную страницу компании с разметкой.

Как это работает: граф знаний получает консистентные данные из нескольких источников, связывает сущность с категорией «производитель конвейерных лент», и модель начинает корректно распознавать компанию. Теперь при запросе «поставщики конвейерных лент в России» модель упоминает «ТехноПром», так как граф подтверждает её релевантность.

Потенциальный результат: компания появляется в Knowledge Panel и в ответах ИИ, растёт доверие и число запросов.

Метрики, стандарты и ограничения

Метрики

Общепринятых метрик для оценки графа знаний нет. Используются прокси-показатели:

• Наличие в Knowledge Graph — проверка через Google Knowledge Graph API или появление Knowledge Panel.
• Точность распознавания — доля запросов, где модель корректно называет вашу сущность (ручная проверка).
• Citation Rate — доля ответов с вашим источником.
• Согласованность описаний — внутренний аудит: совпадают ли атрибуты на сайте, в Wikidata, в каталогах.
• Запросы бренда — рост брендового поиска как отложенный эффект.

Стандарты

• org — де-факто стандарт для структурированных данных о сущностях.
• Wikidata — открытая база знаний, часто используемая как справочник идентификаторов.
• Google Knowledge Graph API — инструмент для проверки распознавания сущностей Google.

Что известно достоверно

• Графы знаний используются поисковыми системами и генеративными моделями для понимания сущностей.
• org и согласованные внешние описания помогают системам корректно строить граф.
• Техническая доступность страницы необходима для извлечения разметки.

Распространённая практика (не строго доказано)

• Полнота разметки org положительно влияет на распознавание сущностей, но прямая причинность с ранжированием в AI Search не подтверждена.
• Наличие записи в Wikidata повышает шансы на появление в Google Knowledge Graph.

Гипотезы

• Точные алгоритмы, по которым графы обновляются и влияют на генеративные ответы, неизвестны.
• Возможно, внутренние графы AI-систем (ChatGPT, Perplexity) используют собственные источники, отличные от публичных.

Связанные понятия

• Entity — отдельный узел графа знаний.
• org — стандарт разметки, питающий графы знаний.
• Knowledge Panel — визуальное представление сущности из графа в поисковой выдаче Google.
• Wikidata — открытая база знаний, часто используемая как основа для графов.
• Semantic Search — поиск, основанный на сущностях и их связях из графа.
• RAG — архитектура, в которой граф знаний может использоваться для проверки фактов.
• Grounding — этап, где модель сверяет утверждения с графом.
• Entity SEO — практика оптимизации контента вокруг сущностей для улучшения их представления в графах.

Не путать с: внутренней базой данных сайта. Knowledge Graph — это внешние структурированные знания, которыми оперируют поисковые системы и ИИ, а не ваша локальная БД.