| پاسخ کوتاه
انتیتی (Entity) یا موجودیت شخص، سازمان، مکان، اثر، رویداد یا مفهوم مشخصی است که در یک بافت می‌توان به آن اشاره کرد و آن را از موارد دیگر متمایز ساخت. در پایگاه‌های دانش، موجودیت‌ها معمولاً با شناسه، نوع، ویژگی‌ها و رابطه‌هایشان نمایش داده می‌شوند. داشتن شناسه در یک پایگاه مشخص با خودِ موجودیت بودن یکسان نیست. در پردازش زبان، وظیفه‌ای به نام پیوند موجودیت (Entity Linking) تعریف شده که اشاره‌های متنی را به مدخل‌های یک پایگاه دانش وصل می‌کند. گوگل در مستندات رسمی خود از گراف دانش و دادهٔ ساختاریافته نام برده است؛ اما اینکه هر موتور جستجو یا مدل زبانی دقیقاً چگونه از موجودیت‌ها استفاده می‌کند، در منابع این مقاله مستند نشده است. مستندات رسمی گوگل وجود گراف دانش و استفادهٔ AI Mode از آن را تأیید می‌کنند. اثر مستقل «سئوی انتیتی» بر رتبه یا ارجاع هوش مصنوعی در منابع بررسی‌شده مستند نشده؛ تفصیل این تفکیک در بخش «چه شواهدی دربارهٔ اثر بهینه‌سازی موجودیت بر رتبه و ارجاع داریم؟» آمده است. توجه: پیوند «موجودیت‌ها ← پایهٔ درک الگوریتمی» در عنوان، چارچوب تحلیلی نویسنده است. منابع فنی این مقاله فقط دربارهٔ موجودیت‌ها و پیوند موجودیت‌اند و اصطلاح «درک الگوریتمی» را به‌طور مستقل تأیید نمی‌کنند. |
کلمهٔ «جگوار» را در گوگل جست‌وجو کنید. یک کلمه نوشته‌اید، اما همین کلمه می‌تواند به یک گربه‌سان آمریکای جنوبی، یک برند خودرو یا یک کنسول بازی قدیمی اشاره کند. انسان از بافت می‌فهمد منظور کدام است؛ ماشین باید این تشخیص را از ساختار داده‌ها و بافت متن بسازد. مفهوم انتیتی به همین مسئله مربوط است.
این مقاله مستقل است و برای فهمیدنش لازم نیست قسمت‌های قبلی را خوانده باشید. چارچوب کلان‌تر این بحث، یعنی درک الگوریتمی، موضوع مقالهٔ Algorithmic Comprehension چیست؟ است؛ اینجا فقط به یکی از لایه‌های آن، یعنی موجودیت‌ها، می‌پردازیم.
هر ادعای مهم در این مقاله یک برچسب سطح شواهد و یک بازهٔ زمانی دارد:
| برچسب | معنا |
| سطح ۱ | مستندات رسمی موتور جستجو (در این مقاله: گوگل) |
| سطح ۲ | مقالات داوری‌شده |
| سطح ۳ | مدارک حقوقی یا شهادت زیر سوگند (در این مقاله منبعی از این سطح استفاده نشده) |
| سطح ۴ | تحلیل صنعتی: واژه‌نامه‌ها و وبلاگ‌های ابزارسازان و آژانس‌ها |
| جداگانه | مستند رسمی پروژه‌های باز مثل ویکی‌داده، پیش‌چاپ‌های آرکایو که داوری‌شدگی‌شان در همان صفحهٔ بررسی‌شده تأیید نشده، و «تحلیل نویسنده» که نظر یا مثال خودم است |
تاریخ و دامنهٔ ادعا. هر منبع سه چیز جدا دارد: تاریخ انتشار یا به‌روزرسانی صفحه، تاریخ دسترسی من (برای همهٔ منابع ۱۱ اکتبر ۲۰۲۶) و دامنهٔ کاربرد ادعا. تاریخ به‌روزرسانی یک صفحه بازهٔ اعتبار ادعا نیست. سطح منبع هم قدرت استنباط را تعیین نمی‌کند: سند رسمی برای اینکه «گوگل چه اعلام کرده است» معتبر است، اما هر جملهٔ رسمی لزوماً شاهد یک اثر علّی یا اندازه‌گیری‌شده نیست.
انتیتی (Entity) در سئو دقیقاً چیست؟
انتیتی، که در فارسی «موجودیت» هم ترجمه می‌شود، شخص، سازمان، مکان، اثر، رویداد یا مفهوم مشخصی است که در یک بافت می‌توان به آن اشاره کرد و آن را از موارد دیگر متمایز ساخت. آنچه در عمل از بیرون می‌بینیم، نمایش این موجودیت در یک پایگاه دانش است، نه خودِ موجودیت.
اجزای رایج نمایش موجودیت در پایگاه دانش
چهار جزء زیر در پایگاه‌های دانشی که بررسی کردم رایج‌اند. این‌ها شرط لازم برای «موجودیت بودن» نیستند؛ فقط شکل معمول توصیف و نمایش‌اند.
- شناسه: کدی که مدخل را در یک پایگاه مشخص از بقیه جدا می‌کند. در ویکی‌داده هر آیتم با حرف Q و یک عدد شناخته می‌شود؛ مثلاً داگلاس آدامز Q42 است. (مستند رسمی ویکی‌داده — منبع ۱۴ — دسترسی ۱۱ اکتبر ۲۰۲۶) در نمونهٔ خروجی API گراف دانش گوگل هم هر نتیجه شناسه‌ای شبیه kg:/m/0dl567 دارد. (سطح ۱ — منبع ۲ — به‌روزرسانی ۲۶ آوریل ۲۰۲۴) شناسه به آن پایگاه تعلق دارد و جای دیگر معتبر نیست.
- نوع: شخص، سازمان، مکان، رویداد، کتاب، فیلم و مانند آن. مستند API گوگل فهرستی از انواع موجودیت‌های گراف دانش آورده و آن‌ها را با نوع‌های schema.org نام برده است. (سطح ۱ — منبع ۲ — ۲۶ آوریل ۲۰۲۴)
- ویژگی‌ها: مشخصه‌های توصیفی. در ویکی‌داده هر گزاره از یک ویژگی و یک مقدار ساخته می‌شود و هر آیتم برچسب، توضیح و نام‌های جایگزین دارد. (مستند ویکی‌داده — منبع ۱۴)
- رابطه‌ها: پیوند با موجودیت‌های دیگر. گوگل هنگام معرفی گراف دانش آن را مدلی توصیف کرد که موجودیت‌های دنیای واقعی و رابطهٔ آن‌ها را می‌فهمد. (سطح ۱ — منبع ۱ — ۱۶ مه ۲۰۱۲)
موجودیتی که در پایگاه دانش مدخل ندارد
مرور شن، وانگ و هان نشان می‌دهد این تمایز در ادبیات علمی هم مطرح است: اگر موجودیتِ یک اشاره در پایگاه دانش نباشد، سامانهٔ پیوند موجودیت باید آن اشاره را «NIL» یا غیرقابل‌پیوند برچسب بزند. (سطح ۲ — منبع ۹ — ۲۰۱۵؛ بخش‌های ۱٫۲ و ۴ خوانده شد) پس نبودن مدخل در یک پایگاه، یعنی وجود نداشتن موجودیت نیست.
یک تمثیل دقیق‌تر: اسم مثل «علی محمدی» است، موجودیت مثل خودِ آن شخص، و شناسه مثل کد ملی او. کد ملی خودِ شخص نیست؛ شناسه‌ای است که یک نظام مشخص به او داده. (تحلیل نویسنده)
موجودیت، نام موجودیت و اشاره در متن چه فرقی دارند؟
| مفهوم | تعریف | مثال |
| موجودیت | آنچه به آن اشاره می‌شود | یک شخص مشخص یا یک شرکت مشخص |
| نام و نام جایگزین | شکل‌های سطحیِ نام‌گذاری یک موجودیت؛ مرور شن و همکاران آن‌ها را «تنوع نام» می‌نامد و نام کامل، مخفف، لقب و املای جایگزین را از نمونه‌هایش می‌داند. (سطح ۲ — منبع ۹) | «اینستاگرام» و «Instagram» |
| اشاره در متن | یک رخداد مشخص از نام در یک جمله | عبارت «علی محمدی» در جملهٔ «علی محمدی، معمار تبریزی، طرح را ارائه کرد» |
در مثال بالا خودِ اشاره دو شخص را از هم جدا نمی‌کند. اما بافت، یعنی «معمار» و «تبریز»، به انتخاب شخص موردنظر کمک می‌کند. در بخش بعد همین مثال را کامل‌تر می‌بینید. (مثال فرضی از نویسنده)
تشخیص موجودیت نام‌دار، رفع ابهام و پیوند موجودیت چه فرقی دارند؟
| وظیفه | کار آن |
| تشخیص اشاره‌ها | پیدا کردن محل اشاره‌ها در متن (مثلاً شناسایی «علی محمدی» به‌عنوان نام یک شخص) |
| رفع ابهام | انتخاب یکی از چند موجودیت کاندیدا برای یک اشاره |
| پیوند موجودیت (Entity Linking) | وصل کردن اشاره به مدخل متناظر در یک پایگاه دانش، همراه با تصمیم‌گیری دربارهٔ حالتی که مدخلی وجود ندارد (NIL) |
در تعریف مرور شن و همکاران، اشاره‌ها از پیش شناسایی‌شده فرض می‌شوند و پیوند موجودیت به معنای نگاشت هر اشاره به مدخل متناظرش در پایگاه دانش است. همین مرور می‌گوید این وظیفه در پردازش زبان طبیعی اغلب «رفع ابهام موجودیت نام‌دار» هم نامیده می‌شود و با همارجاعی موجودیت، رفع ابهام معنای واژه و پیوند رکوردها فرق دارد. (سطح ۲ — منبع ۹ — ۲۰۱۵؛ بخش ۱٫۲)
این مقاله دربارهٔ پیوند موجودیت معرفی یک وظیفهٔ مشخص در پردازش زبان و بازیابی اطلاعات است؛ توصیف کامل معماری همهٔ موتورهای جستجو یا مدل‌های زبانی نیست. پژوهش‌ها هم معماری‌های متفاوتی دارند: کولیتساس و همکاران در پیش‌چاپ ۲۰۱۸ می‌گویند بیشتر روش‌ها تشخیص اشاره و رفع ابهام را جدا انجام می‌دهند و سامانه‌ای معرفی می‌کنند که هر دو را هم‌زمان انجام می‌دهد. (پیش‌چاپ آرکایو — منبع ۱۲ — ۲۰۱۸؛ فقط چکیده بررسی شد) اینکه متن چطور به توکن و بردار تبدیل می‌شود در هوش مصنوعی محتوا را چطور می‌خواند و می‌فهمد؟ آمده است؛ جایگاه پیوند موجودیت در هر سامانه به معماری همان سامانه بستگی دارد.
موجودیت، مفهوم عمومی و نوع (رده) چه فرقی دارند؟
- نوع یا رده دسته‌ای است که موجودیت‌ها به آن تعلق دارند؛ مثلاً «شهر» یا «سازمان». مستند API گوگل نوع‌های موجودیت را با نوع‌های schema.org نام می‌برد. (سطح ۱ — منبع ۲)
- موجودیت نمونهٔ مشخصی از یک نوع است؛ مثلاً «شیراز» نمونه‌ای از نوع «شهر» است. (مثال از نویسنده)
- مفهوم عمومی مثل «سئو» یا «عدالت» هم می‌تواند در یک پایگاه دانش مدخل داشته باشد. مرز میان «مفهوم» و «موجودیت» در منابع مختلف یکسان تعریف نشده و تعریف این مقاله، تعریفی آموزشی است. (تحلیل نویسنده)
یک مثال کامل: موجودیت، ویژگی و رابطه چه شکلی دارند؟
دو شخص فرضی هم‌نام را در نظر بگیرید. همه‌چیز در این جدول ساختگی و فقط برای آموزش است:
| مؤلفه | علی محمدی (۱) | علی محمدی (۲) |
| نوع | شخص | شخص |
| ویژگی‌ها | شغل: معمار — شهر فعالیت: تبریز | شغل: پزشک — شهر فعالیت: مشهد |
| رابطه‌ها | عضو «دفتر معماری نمونه» | عضو «بیمارستان نمونه» |
| جملهٔ نمونه | «علی محمدی طرح ساختمان را در تبریز ارائه کرد.» | «علی محمدی بیماران را در مشهد ویزیت کرد.» |
اشارهٔ «علی محمدی» در هر دو جمله یکی است. واژه‌هایی مثل «طرح ساختمان» و «تبریز» یا «بیماران» و «مشهد» شواهدی‌اند که انتخاب را ممکن می‌کنند. رفع ابهام ممکن است ناموفق باشد، به‌خصوص وقتی بافت کافی نباشد. (تحلیل نویسنده؛ مثال فرضی)
گراف دانش، پنل دانش و دادهٔ ساختاریافته چه فرقی دارند؟
| مفهوم | چیست؟ | منبع |
| گراف دانش | پایگاه حقایق دربارهٔ افراد، مکان‌ها و چیزها در گوگل؛ در ۱۶ مه ۲۰۱۲ معرفی شد | سطح ۱ — منابع ۱ و ۷ |
| پنل دانش | جایی در نتایج که این اطلاعات اغلب در آن نمایش داده می‌شود. گوگل می‌گوید پنل‌ها وقتی اطلاعات کافی در وب باز موجود باشد خودکار ساخته می‌شوند و سامانه‌ها تصمیم می‌گیرند کی و کجا نمایش داده شوند. | سطح ۱ — منبع ۷ (تاریخ در صفحه نیامده) |
| دادهٔ ساختاریافته | نشانه‌گذاری روی صفحه؛ گوگل از آن برای فهم محتوای صفحه و جمع‌آوری اطلاعات دربارهٔ دنیا، مثلاً افراد، کتاب‌ها یا شرکت‌های ذکرشده، استفاده می‌کند | سطح ۱ — منبع ۳ (۱۰ دسامبر ۲۰۲۵) |
در ادبیات علمی، تعریف گراف دانش یکدست نیست. هوگان و همکاران در مقدمهٔ مرور خود به تعاریف رقیب اشاره می‌کنند و تعریفی فراگیر برمی‌گزینند: گرافی از داده برای انباشتن و انتقال دانش دربارهٔ دنیای واقعی که گره‌هایش موجودیت‌های موردنظر و یال‌هایش رابطه‌های میان آن‌هاست. (سطح ۲ — منبع ۸ — ۲۰۲۱؛ مقدمه، از نسخهٔ آرکایو v6) در این مقاله همین را تعریف آموزشی در نظر می‌گیریم.
دو نکتهٔ مهم دربارهٔ آنچه از بیرون قابل مشاهده است:
- API رسمی جست‌وجوی گراف دانش فقط موجودیت‌های منفرد را برمی‌گرداند، نه گراف به‌هم‌پیوسته را. برای گراف پیوسته، خود گوگل استفاده از دادهٔ ویکی‌داده را توصیه می‌کند. همان مستند هشدار می‌دهد این API برای سرویس‌های حیاتی تولیدی مناسب نیست. (سطح ۱ — منبع ۲ — ۲۶ آوریل ۲۰۲۴)
- ویکی‌داده پروژه‌ای باز و مستقل است که با هدف «ویکی‌پدیای دادهٔ چندزبانه» معرفی شد؛ پس «گراف دانش گوگل» و «ویکی‌داده» یکی نیستند. (سطح ۲ — منبع ۱۳ — ۲۰۱۴؛ فقط چکیده) اندازهٔ گراف دانش گوگل را هم منابع صنعتی با اعداد مختلف گزارش می‌کنند (برای نمونه یک وبلاگ سئو عددی در حد ده‌ها میلیارد موجودیت می‌آورد) (سطح ۴ — منبع ۱۸ — فقط گزیدهٔ نتیجهٔ جستجو)؛ عدد رسمی پایداری از خود گوگل پیدا نکردم و هیچ عددی را نقل نمی‌کنم.
شناسهٔ ویکی‌داده، شناسهٔ گوگل و @id در سایت یکی هستند؟
| شناسه | چیست؟ | وضعیت منبع |
| شناسهٔ ویکی‌داده (مثل Q42) | شناسهٔ آیتم در پایگاه ویکی‌داده | مستند ویکی‌داده (منبع ۱۴) |
| شناسهٔ گراف دانش گوگل (مثل kg:/m/…) | شناسهٔ مدخل در پاسخ API گراف دانش گوگل | سطح ۱ — منبع ۲ |
| @id در JSON-LD سایت | شناسهٔ یک گره در دادهٔ ساختاریافتهٔ همان سایت که ارجاع یکدست در گراف داده را ممکن می‌کند | توضیح فنی نویسنده دربارهٔ JSON-LD؛ در این مقاله با سند رسمی W3C راستی‌آزمایی نشده |
این سه شناسه به سه سامانهٔ مختلف تعلق دارند و جایگزین هم نیستند. داشتن یکی از آن‌ها به‌تنهایی نشان نمی‌دهد دو تای دیگر هم وجود دارند. (تحلیل نویسنده)
تفاوت انتیتی و کلمهٔ کلیدی چیست؟
کلمهٔ کلیدی و پرس‌وجو هم یکی نیستند. پرس‌وجو ورودی واقعی کاربر است؛ کلمهٔ کلیدی عبارتی است که ما در تحلیل یا تولید محتوا هدف می‌گیریم. موجودیت چیزی است که چنین عبارتی ممکن است به آن اشاره کند. (تحلیل نویسنده بر پایهٔ منابع ۱، ۲، ۹ و ۱۴)
| معیار | پرس‌وجو یا کلمهٔ کلیدی | موجودیت |
| چیست؟ | رشته‌ای از حروف (ورودی کاربر یا عبارت هدف) | چیزی که این رشته ممکن است به آن اشاره کند |
| ابهام | یک رشته می‌تواند چندمعنایی باشد | نوع، ویژگی‌ها و بافت به رفع ابهام کمک می‌کنند؛ رفع ابهام ممکن است ناموفق باشد |
| هویت | خودِ رشته هویت جدا ندارد | ممکن است در یک پایگاه دانش با شناسهٔ مشخص نمایش داده شود |
| رابطه | ذاتاً رابطه ندارد | در پایگاه‌های دانش معمولاً با موجودیت‌های دیگر مرتبط می‌شود |
| مثال | «جگوار» | جگوار (حیوان) یا جگوار (برند خودرو) به‌عنوان دو موجودیت جدا |
پیشنهاد نویسنده، نه استاندارد: برای ارزیابی اینکه محتوای شما موجودیتی را خوب معرفی می‌کند، وضوح، یکدستی و پشتوانهٔ معتبر را می‌توان معیار گرفت. این‌ها معیار تعریف‌شدهٔ سنجش انتیتی در منابع این مقاله نیستند. (تحلیل نویسنده)
انتیتی جای کلمهٔ کلیدی را نمی‌گیرد؛ لایه‌ای کنار آن است. راهنمای رسمی گوگل هم می‌گوید سامانه‌های هوش مصنوعی این موتور مترادف‌ها و معنای کلی خواستهٔ کاربر را می‌فهمند. (سطح ۱ — منبع ۵ — ۱۰ ژوئیه ۲۰۲۶) اگر با مبانی سئو آشنا نیستید، سئو چیست؟ نقطهٔ شروع خوبی است.
یک هشدار دربارهٔ منابع فارسی: یکی از راهنماهای فارسی صفحهٔ اول انتیتی را «زمینه‌های مرتبط و هم‌خانواده با کلمات کلیدی» تعریف می‌کند. هرچند همان راهنما جای دیگر آن را «مفهومی متمایز و مستقل» هم می‌نامد، این تعریف با تعریف مبتنی بر نمایش در پایگاه دانش که در مستندات گوگل و ویکی‌داده دیدیم نمی‌خواند. انتیتی «کلمهٔ کلیدی فرعی» نیست. (تحلیل نویسنده)
پیوند موجودیت در عمل با چه چالش‌هایی روبه‌رو است؟
مرور شن و همکاران دو چالش اصلی را نام می‌برد. (سطح ۲ — منبع ۹ — ۲۰۱۵؛ بخش ۱٫۱)
- تنوع نام: یک موجودیت چند شکل نوشتاری دارد؛ مثلاً «اینستاگرام»، «Instagram» و «اینستا». (مثال نویسنده)
- ابهام موجودیت: یک اشاره می‌تواند به چند موجودیت برگردد. مرور مثال «Sun» را می‌آورد که می‌تواند ستاره، شرکت یا شخصیتی خیالی باشد. «جگوار» نمونهٔ فارسی‌تر آن است.
مرور همچنین شیوه‌های برخورد با اشاره‌های بدون مدخل (NIL) را بررسی می‌کند: برای نمونه، برچسب NIL وقتی داده می‌شود که فهرست کاندیداها خالی باشد یا امتیاز بهترین کاندیدا از یک آستانه کمتر باشد، و بسیاری از پژوهش‌ها اصلاً فرض می‌کنند هر موجودیت در پایگاه هست. (سطح ۲ — منبع ۹ — ۲۰۱۵؛ بخش ۴)
مرور بعدی همین گروه دربارهٔ یادگیری عمیق در پیوند موجودیت، که نسخهٔ آن در سپتامبر ۲۰۲۱ در آرکایو گذاشته شد، در IEEE TKDE (جلد ۳۵، شمارهٔ ۳، صفحات ۲۵۵۶ تا ۲۵۷۸، مارس ۲۰۲۳) منتشر شده است. بر اساس همان چکیده، روش‌های یادگیری عمیق در این وظیفه از روش‌های سنتی یادگیری ماشین پیشی گرفته‌اند و نتایج پیشرفته به دست داده‌اند. (سطح ۲ — منبع ۱۰ — انتشار ۲۰۲۳؛ فقط چکیدهٔ نسخهٔ آرکایو خوانده شد)
برای متن فارسی چه چیزی فرق می‌کند؟
فارسی لایه‌های تازه‌ای به تنوع نام می‌افزاید: دو شکل «ی/ي» و «ک/ك»، نیم‌فاصله و بی‌نیم‌فاصله، و املای فارسی یا لاتین یک برند. هر کدام می‌تواند یک «شکل سطحی» تازه برای همان موجودیت باشد. (فرضیهٔ تحلیلی نویسنده؛ در این مقاله آزمایش نشده)
تفاوت نوشتاری، به‌تنهایی اثبات نمی‌کند که سیستم در تشخیص موجودیت دچار مشکل می‌شود. ممکن است سامانه متن را نرمال‌سازی کند یا از بافت و نام‌های جایگزین کمک بگیرد. پژوهش بوتا و همکاران در EMNLP 2020 یک مدل پیوند موجودیت برای بیش از ۱۰۰ زبان معرفی می‌کند و مجموعه‌دادهٔ Mewsli-9 را ارائه می‌دهد که فارسی یکی از نُه زبان آن است؛ اما این پژوهش اثر نیم‌فاصله، املا یا خط را آزمایش نکرده است و شاهد مستقیمی برای اثر آن‌ها بر گوگل نیست. (سطح ۲ — منبع ۱۱ — ۲۰۲۰) آزمایش توکن‌شماری فارسی را در ماشین فارسی را چطور می‌خواند؟ ببینید.
گوگل رسماً دربارهٔ انتیتی و دادهٔ ساختاریافته چه می‌گوید؟
این بخش فقط مستندات رسمی گوگل است. هر ردیف یک سند و تاریخ دارد؛ چون مستندات گوگل مرتب به‌روز می‌شوند، تاریخ را کنار ادعا ببینید.
| موضوع | آنچه گوگل می‌گوید | سند (سطح ۱) |
| نقش دادهٔ ساختاریافته | گوگل از دادهٔ ساختاریافته برای فهم محتوای صفحه و جمع‌آوری اطلاعات دربارهٔ دنیا، مثلاً افراد، کتاب‌ها یا شرکت‌های ذکرشده در نشانه‌گذاری، استفاده می‌کند. | منبع ۳ — ۱۰ دسامبر ۲۰۲۵ |
| کمیت یا دقت | ارائهٔ تعداد کمتری ویژگی کامل و دقیق مهم‌تر از ارائهٔ همهٔ ویژگی‌ها با داده‌ای ناقص یا غلط است. | منبع ۴ — ۸ سپتامبر ۲۰۲۶ |
| sameAs | گوگل می‌تواند از sameAs و دیگر دادهٔ schema.org علاوه بر ویژگی‌های مستندشده استفاده عمومی کند و ممکن است برخی را در صورت مفید بودن برای قابلیت‌های آیندهٔ جستجو به کار ببرد. | منبع ۴ — ۸ سپتامبر ۲۰۲۶ |
| Organization | نشانه‌گذاری Organization به گوگل کمک می‌کند جزئیات اداری سازمان را بهتر بفهمد و آن را از سازمان‌های دیگر تفکیک کند. برخی ویژگی‌ها (مثل iso6523 و naics) پشت صحنه برای رفع ابهام استفاده می‌شوند. | منبع ۴ — ۸ سپتامبر ۲۰۲۶ |
| اجباری بودن در Organization | در نشانه‌گذاری Organization هیچ ویژگی‌ای اجباری نیست. توصیه شده ویژگی‌های مرتبط اضافه شود، در صفحهٔ اصلی یا «دربارهٔ ما» بیاید و از دقیق‌ترین زیرنوع استفاده شود. | منبع ۴ — ۸ سپتامبر ۲۰۲۶ |
| نام | name و alternateName را همان‌طور بنویسید که برای نام سایت به کار می‌برید. | منبع ۴ — ۸ سپتامبر ۲۰۲۶ |
| تضمین نمایش | گوگل تضمین نمی‌کند قابلیت‌هایی که از دادهٔ ساختاریافته استفاده می‌کنند حتماً نمایش داده شوند. | منبع ۴ — ۸ سپتامبر ۲۰۲۶ |
| AI Mode و گراف دانش | در معرفی رسمی AI Mode گفته شده این قابلیت علاوه بر محتوای وب از منابعی مانند گراف دانش بهره می‌برد. | منبع ۶ — ۵ مارس ۲۰۲۵ |
چه شواهدی دربارهٔ اثر بهینه‌سازی موجودیت بر رتبه و ارجاع داریم؟
عبارت «بهینه‌سازی انتیتی» تعریف یکسانی ندارد و ممکن است به چند اقدام جدا اشاره کند: اصلاح نام و اطلاعات سازمان، افزودن دادهٔ ساختاریافته، رفع ابهام در متن، افزایش ذکر برند و ایجاد مدخل در پایگاه دانش. این‌ها یک مداخلهٔ واحد نیستند و از چند سند نمی‌توان دربارهٔ همهٔ آن‌ها یک پاسخ کلی داد. جدول زیر هر اقدام را جدا بررسی می‌کند:
| اقدام | آنچه در منابع این مقاله هست | وضعیت شواهد دربارهٔ اثر |
| یکدست‌سازی نام و اطلاعات سازمان | مستند Organization توصیه می‌کند name و alternateName همان نام سایت باشند (منبع ۴) | توصیهٔ رسمی؛ اثر اندازه‌گیری‌شده‌ای گزارش نشده |
| دادهٔ ساختاریافته | به فهم صفحه و رفع ابهام کمک می‌کند (منابع ۳ و ۴)؛ برای قابلیت‌های هوش مصنوعی مولد گوگل لازم نیست و اسکیمای ویژه‌ای هم ندارد (منبع ۵) | ارتباط با نمایش مستند است؛ اثر روی رتبه یا ارجاع اثبات‌نشده |
| رفع ابهام در متن | سند رسمی مستقیمی در منابع بررسی‌شده نیست | پیشنهاد نویسنده |
| افزایش ذکر برند | راهنمای رسمی می‌گوید پیگیری ذکرهای غیرواقعی به اندازه‌ای که تصور می‌شود مؤثر نیست (منبع ۵) | اثر ذکرهای واقعی در این منابع سنجیده نشده |
| ایجاد مدخل در پایگاه دانش (مثلاً ویکی‌داده) | ویکی‌داده پایگاهی باز است که هر کسی می‌تواند از دادهٔ آن استفاده کند (منبع ۱۴) | پیوند آن با گراف دانش گوگل یا مدل‌های زبانی در منابع این مقاله مستند نشده |
آنچه گوگل دربارهٔ هوش مصنوعی مولد می‌گوید. این قابلیت‌ها بر پایهٔ سامانه‌های رتبه‌بندی و کیفیت اصلی جستجو ساخته شده‌اند و از تکنیک‌هایی مثل بازیابی‌محور تولید (RAG) و «پخش پرس‌وجو» (query fan-out) استفاده می‌کنند. از نگاه گوگل، بهینه‌سازی برای تجربهٔ جست‌وجوی مولد همان سئو است. راهنما محتوای ارزشمند و غیرتکراری را مهم‌ترین عامل می‌داند. (سطح ۱ — منبع ۵ — ۱۰ ژوئیه ۲۰۲۶)
آنچه دربارهٔ گراف دانش و AI Mode مستند است. گوگل در معرفی رسمی AI Mode اعلام کرده این قابلیت علاوه بر محتوای وب از منابعی مانند گراف دانش استفاده می‌کند. (سطح ۱ — منبع ۶ — ۵ مارس ۲۰۲۵) این اعلام استفاده از گراف دانش را مستند می‌کند؛ اما به‌تنهایی نشان نمی‌دهد افزودن اسکیما یا افزایش ذکرهای برند احتمال ارجاع به یک وب‌سایت را بالا می‌برد. نبودن عبارت «Knowledge Graph» در متن راهنمای بهینه‌سازی برای هوش مصنوعی مولد هم دلیلی بر نبودن این موضوع در مجموعهٔ اسناد رسمی نیست.
آنچه منابع صنعتی می‌گویند. چند واژه‌نامهٔ تجاری ادعا می‌کنند موجودیتِ شفاف و پرارتباط شناسایی، اعتماد و ارجاع مدل‌های هوش مصنوعی را آسان‌تر می‌کند. (سطح ۴ — منبع ۱۷ — فقط گزیدهٔ نتیجهٔ جستجو) واژه‌نامهٔ شرکت دیگری خودش می‌پذیرد که موجودیت قوی ارجاع را تضمین نمی‌کند و فقط ناهمخوانی اطلاعات بازیابی و انتساب را دشوارتر می‌کند. (سطح ۴ — منبع ۱۶ — فقط گزیدهٔ نتیجهٔ جستجو؛ تاریخ مشخص نیست)
| نتیجه
در منابع بررسی‌شده، مدرکی برای یک اثر مستقل و تضمین‌شده از مجموعهٔ اقداماتی که با عنوان «سئوی انتیتی» عرضه می‌شوند پیدا نکردم. این نتیجه به معنای بی‌اثر بودن همهٔ اقدامات مرتبط نیست؛ فقط می‌گوید شواهد کافی برای ادعای اثر در این منابع نیست. |
موضع من: انتیتی لایه‌ای است که سامانه‌ها از آن استفاده می‌کنند، نه اهرمی که ثابت شده با کشیدنش نتیجه می‌گیرید. شفاف کردن موجودیت‌ها کار کم‌هزینه و منطقی است؛ اما از آن معجزه‌ای در رتبه یا ارجاع هوش مصنوعی وعده نمی‌دهم. اگر می‌خواهید ببینید در بحث GEO چه چیزی واقعاً ثابت شده، GEO چیست؟ را بخوانید. (تحلیل نویسنده)
برای یک وب‌سایت فارسی چه کارهای کم‌هزینه‌ای مستند یا منطقی است؟
| اقدام | چرا | شرط و محدودیت |
| name و alternateName را با نام سایت یکی کنید | مستند Organization همین را توصیه می‌کند (سطح ۱ — منبع ۴) | alternateName فقط وقتی بیاید که نام جایگزین واقعی وجود دارد؛ نسخهٔ انگلیسی نام، خودکار نام جایگزین محسوب نمی‌شود |
| Organization را فقط برای سازمان استفاده کنید | برای فهم و رفع ابهام سازمان (سطح ۱ — منبع ۴) | برای وب‌سایت شخصی، شخص و سازمان باید تفکیک شوند؛ Organization را انتخاب عمومی هر سایت ندانید |
| sameAs را پر کنید | گوگل ممکن است از آن استفاده کند (سطح ۱ — منبع ۳)؛ schema.org آن را نشانی صفحه‌ای می‌داند که روشن می‌کند مورد چیست (منبع ۱۵) | فقط صفحه‌هایی که هویت همان شخص یا سازمان را مشخص می‌کنند؛ نه هر صفحهٔ مرتبط |
| نشانه‌گذاری را آزمایش کنید | خود مستند Rich Results Test را پیشنهاد می‌کند (سطح ۱ — منبع ۴) | قبول شدن در آزمون، اثبات شناسایی موجودیت یا ورود به گراف دانش نیست |
| نام برند و نویسنده را در پروفایل‌های بیرونی یکدست نگه دارید | ناهمخوانی اطلاعات بازیابی و انتساب را دشوار می‌کند (سطح ۴ — منبع ۱۶) | منبع خودش تضمین نمی‌دهد؛ اثر اندازه‌گیری‌شده‌ای گزارش نشده |
| اگر آیتم ویکی‌داده دارید، درستی آن را بررسی کنید | ویکی‌داده از دادهٔ باز استفاده می‌کند و آیتم‌ها نام، ویژگی و ارجاع دارند (منبع ۱۴) | وجود آیتم به‌تنهایی اثبات حضور در گراف دانش گوگل یا استفادهٔ یک مدل زبانی از آن نیست |
| در ابتدای صفحه صریح بنویسید این چیست و برای کیست | کمک به خواننده و ماشین در تعیین «کدام چیز» | تحلیل نویسنده؛ سند رسمی مستقیمی در منابع این مقاله نیست |
| برای موجودیت‌های مرتبط لینک داخلی با انکر توصیفی بدهید | پیوند صریح میان مفاهیم مرتبط | تحلیل نویسنده؛ بدون سند رسمی در منابع این مقاله |
نمونهٔ نشانه‌گذاری برای یک سازمان
این نمونه فقط وقتی مناسب است که سایت واقعاً یک سازمان را معرفی می‌کند. اگر کد را مستقیم در HTML می‌گذارید، به پوشش script نیاز دارد. مقادیر فرضی‌اند و باید با اطلاعات واقعی جایگزین شوند:
<script type=”application/ld+json”>
{
“@context”: “https://schema.org”,
“@type”: “Organization”,
“@id”: “https://www.example.com/#organization”,
“name”: “نام ثبت‌شدهٔ برند”,
“url”: “https://www.example.com”,
“logo”: “https://www.example.com/images/logo.png”,
“description”: “یک جملهٔ دقیق دربارهٔ اینکه این سازمان چیست و چه می‌کند”,
“sameAs”: [
“https://example.org/profile/real-profile-of-this-organization”
]
}
</script>
نمونهٔ نشانه‌گذاری برای یک شخص
برای وب‌سایت شخصی، نوع Person از schema.org مناسب‌تر است. جزئیات مستند گوگل دربارهٔ نشانه‌گذاری شخص را در این مقاله راستی‌آزمایی نکرده‌ام؛ پیش از اجرا، مستند همان نوع را بخوانید:
<script type=”application/ld+json”>
{
“@context”: “https://schema.org”,
“@type”: “Person”,
“@id”: “https://www.example.com/#person”,
“name”: “نام و نام خانوادگی”,
“url”: “https://www.example.com/about/”,
“jobTitle”: “عنوان شغلی واقعی”,
“sameAs”: [
“https://example.org/profile/real-profile-of-this-person”
]
}
</script>
نکته‌ها: @id الزامی نیست و با شناسهٔ گراف دانش گوگل یا شناسهٔ ویکی‌داده یکی نیست؛ فقط می‌تواند ارجاع یکدست داخل دادهٔ خود سایت را ساده کند. (توضیح فنی نویسنده) گوگل هم یادآوری می‌کند برخی مشکلات انطباق و کیفیت صرفاً خطای نحوی نیستند و Rich Results Test همهٔ آن‌ها را تشخیص نمی‌دهد. (سطح ۱ — منبع ۴ — ۸ سپتامبر ۲۰۲۶)
پرسش‌های متداول دربارهٔ انتیتی
آیا انتیتی جای کلمهٔ کلیدی را می‌گیرد؟
نه. کاربر هنوز رشته‌ای از حروف تایپ می‌کند؛ موجودیت چیزی است که آن رشته ممکن است به آن اشاره کند. (تحلیل نویسنده)
آیا موجودیت بودن یعنی شناسه داشتن؟
نه. شناسه به یک پایگاه مشخص تعلق دارد و نبودن مدخل در پایگاه به معنای نبودن موجودیت نیست؛ سامانه‌های پیوند موجودیت برای همین حالت برچسب NIL دارند. (سطح ۲ — منبع ۹)
آیا بدون نشانه‌گذاری اسکیما موجودیت به حساب نمی‌آیم؟
موجودیت بودن به داشتن اسکیما وابسته نیست. اسکیما روشی برای ارائهٔ صریح اطلاعات دربارهٔ موجودیت‌هاست. (تحلیل نویسنده)
دو نکتهٔ جداگانه: نخست، گوگل اعلام کرده برای نمایش در قابلیت‌های هوش مصنوعی مولد دادهٔ ساختاریافته لازم نیست. (سطح ۱ — منبع ۵ — ۱۰ ژوئیه ۲۰۲۶) دوم، اینکه در مستند Organization هیچ ویژگی‌ای اجباری نیست، دربارهٔ خود آن نشانه‌گذاری است، نه دربارهٔ موجودیت بودن. (سطح ۱ — منبع ۴ — ۸ سپتامبر ۲۰۲۶)
آیا گوگل تضمین می‌کند پنل دانش یا قابلیت‌های ویژه نشان بدهد؟
خیر. مستند Organization می‌گوید گوگل نمایش قابلیت‌هایی را که از دادهٔ ساختاریافته استفاده می‌کنند تضمین نمی‌کند. (سطح ۱ — منبع ۴ — ۸ سپتامبر ۲۰۲۶) راهنمای پنل دانش هم می‌گوید پنل‌ها خودکار ساخته می‌شوند و سامانه‌ها تصمیم می‌گیرند کی و کجا نمایش داده شوند. (سطح ۱ — منبع ۷ — تاریخ در صفحه نیامده)
هر موضوعی یک انتیتی است؟
مرز موجودیت و مفهوم عمومی به پایگاه دانش و کاربرد بستگی دارد. فهرست انواعی که گوگل در مستند API آورده (شخص، سازمان، مکان، رویداد، کتاب، فیلم و غیره) نشان می‌دهد در آن API کدام دسته‌ها دیده می‌شوند؛ این فهرست تعریف کامل موجودیت نیست. (سطح ۱ — منبع ۲ — ۲۶ آوریل ۲۰۲۴)
جمع‌بندی
- موجودیت چیز مشخصی است که می‌توان به آن اشاره کرد و از موارد دیگر متمایزش ساخت؛ در پایگاه‌های دانش معمولاً با شناسه، نوع، ویژگی‌ها و رابطه‌ها نمایش داده می‌شود، اما شناسه داشتن در یک پایگاه با موجودیت بودن یکسان نیست.
- پرس‌وجو یا کلمهٔ کلیدی رشته‌ای از حروف است؛ موجودیت چیزی است که آن رشته ممکن است به آن اشاره کند.
- وجود گراف دانش و استفادهٔ AI Mode از آن مستند است (سطح ۱). رابطهٔ علّیِ «بهینه‌سازی موجودیت ← رتبه یا ارجاع هوش مصنوعی» در منابع بررسی‌شده مستند نشد؛ این به معنای بی‌اثر بودن آن نیست.
- کارهای کم‌هزینه با محدودیت‌های روشن: نام یکدست، نشانه‌گذاری مناسب نوع سایت (سازمان یا شخص)، sameAs با صفحه‌های هویت‌ساز و اعتبارسنجی.
- در متن فارسی، تنوع املایی نام‌ها یک منبع احتمالی ابهام است؛ این فرضیه هنوز آزمایش نشده است.
پایهٔ درک الگوریتمی با پرسش «کدام چیز؟» شروع می‌شود. اینکه چه مقدار از این پایه را می‌شود به نتیجهٔ سئو تبدیل کرد، سؤالی است که باید با شواهد پاسخ بدهیم، نه با وعده. (تحلیل نویسنده)
منابع
ترتیب منابع با شمارهٔ ارجاع‌های داخل متن یکی است. «دسترسی» همه‌جا ۱۱ اکتبر ۲۰۲۶ است. در هر منبع نوشته شده چه بخشی خوانده شد.
منبع 1 — سطح ۱ — وبلاگ رسمی گوگل — انتشار ۱۶ مه ۲۰۱۲ — متن کامل پست خوانده شد
Singhal, A. (2012). Introducing the Knowledge Graph: things, not strings. Google Official Blog. https://blog.google/products-and-platforms/products/search/introducing-knowledge-graph-things-not/
منبع 2 — سطح ۱ — Google for Developers — به‌روزرسانی ۲۶ آوریل ۲۰۲۴ — متن کامل صفحه خوانده شد
Google Knowledge Graph Search API. https://developers.google.com/knowledge-graph
منبع 3 — سطح ۱ — Google Search Central — به‌روزرسانی ۱۰ دسامبر ۲۰۲۵ — متن کامل صفحه خوانده شد
Introduction to structured data markup in Google Search. https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data
منبع 4 — سطح ۱ — Google Search Central — به‌روزرسانی ۸ سپتامبر ۲۰۲۶ — متن کامل صفحه خوانده شد
Organization (Organization) structured data. https://developers.google.com/search/docs/appearance/structured-data/organization
منبع 5 — سطح ۱ — Google Search Central — به‌روزرسانی ۱۰ ژوئیه ۲۰۲۶ — متن کامل صفحه خوانده شد
Optimizing your website for generative AI features on Google Search. https://developers.google.com/search/docs/fundamentals/ai-optimization-guide
منبع 6 — سطح ۱ — وبلاگ رسمی گوگل — انتشار ۵ مارس ۲۰۲۵ — بخش مرتبط با منابع AI Mode خوانده شد
Stein, R. (2025). Expanding AI Overviews and introducing AI Mode. Google Blog. https://blog.google/products-and-platforms/products/search/ai-mode-search/
منبع 7 — سطح ۱ — راهنمای پشتیبانی گوگل — تاریخ انتشار یا به‌روزرسانی در صفحه نیامده
Google Search Help: About knowledge panels (answer 9787176). https://support.google.com/knowledgepanel/answer/9787176
منبع 8 — سطح ۲ — مقالهٔ داوری‌شده — ACM Computing Surveys — ۲۰۲۱ — مقدمه از نسخهٔ آرکایو v6 خوانده شد؛ بقیهٔ متن خوانده نشد
Hogan, A., et al. (2021). Knowledge Graphs. ACM Computing Surveys 54(4), Article 71. doi:10.1145/3447772. arXiv:2003.02320v6. https://arxiv.org/abs/2003.02320
منبع 9 — سطح ۲ — مقالهٔ داوری‌شده — IEEE TKDE — ۲۰۱۵ — بخش‌های ۱٫۱، ۱٫۲ و ۴ از نسخهٔ PDF سایت نویسندگان خوانده شد
Shen, W., Wang, J., Han, J. (2015). Entity Linking with a Knowledge Base: Issues, Techniques, and Solutions. IEEE TKDE 27(2), 443–460. doi:10.1109/TKDE.2014.2327028. https://ieeexplore.ieee.org/document/6823700
منبع 10 — سطح ۲ — مقالهٔ داوری‌شده — IEEE TKDE — جلد ۳۵، شمارهٔ ۳، مارس ۲۰۲۳ (نخستین انتشار آنلاین ۶ اکتبر ۲۰۲۱ طبق Illinois Experts) — از نسخهٔ آرکایو (۲۶ سپتامبر ۲۰۲۱) فقط چکیده خوانده شد
Shen, W., Li, Y., Liu, Y., Han, J., Wang, J., Yuan, X. (2023). Entity Linking Meets Deep Learning: Techniques and Solutions. IEEE TKDE 35(3), 2556–2578. doi:10.1109/TKDE.2021.3117715. arXiv:2109.12520. https://doi.org/10.1109/TKDE.2021.3117715
منبع 11 — سطح ۲ — مقالهٔ داوری‌شده — EMNLP 2020 — بخش مجموعه‌داده و جدول زبان‌ها از نسخهٔ آرکایو خوانده شد
Botha, J. A., Shan, Z., Gillick, D. (2020). Entity Linking in 100 Languages. Proceedings of EMNLP 2020, 7833–7845. https://aclanthology.org/2020.emnlp-main.630/
منبع 12 — پیش‌چاپ آرکایو — ۲۰۱۸ — فقط چکیده خوانده شد؛ محل انتشار داوری‌شده در صفحهٔ بررسی‌شده نیامده بود
Kolitsas, N., Ganea, O.-E., Hofmann, T. (2018). End-to-End Neural Entity Linking. arXiv:1808.07699. https://arxiv.org/abs/1808.07699
منبع 13 — مقالهٔ منتشرشده در Communications of the ACM — ۲۰۱۴ — فقط چکیده خوانده شد
Vrandečić, D., Krötzsch, M. (2014). Wikidata: A Free Collaborative Knowledgebase. Communications of the ACM 57(10), 78–85. doi:10.1145/2629489. https://research.google/pubs/wikidata-a-free-collaborative-knowledge-base/
منبع 14 — مستند رسمی پروژهٔ ویکی‌داده (خارج از چهار سطح استاندارد) — خلاصهٔ صفحه از نتیجهٔ جستجوی دامنهٔ wikidata.org دیده شد؛ تاریخ به‌روزرسانی مشخص نیست
Wikidata: Introduction. https://www.wikidata.org/wiki/Help:Introduction
منبع 15 — مستند رسمی schema.org (خارج از چهار سطح استاندارد) — تاریخ مشخص نیست
schema.org: sameAs property. https://schema.org/sameAs
منبع 16 — سطح ۴ — واژه‌نامهٔ تجاری (elogic) — تاریخ به‌روزرسانی در صفحه خالی بود — فقط گزیدهٔ نتیجهٔ جستجو دیده شد
What is Entity SEO? (glossary). https://elogic.co/glossary/entity-seo/
منبع 17 — سطح ۴ — واژه‌نامهٔ تجاری (Massive) — تاریخ مشخص نیست — فقط گزیدهٔ نتیجهٔ جستجو دیده شد
What Is Entity SEO? (glossary). https://www.joinmassive.com/glossary/what-is-entity-seo
منبع 18 — سطح ۴ — وبلاگ ابزار سئو (Ahrefs) — ۱۴ مه ۲۰۲۶ — فقط گزیدهٔ نتیجهٔ جستجو دیده شد
Gavoyannis, D. Google’s Knowledge Graph Explained: How It Influences SEO & AI Search. https://ahrefs.com/fr/blog/google-knowledge-graph/
یک پاسخ
چقدر این مدل مقاله رو دوست داشتم عالی بود ممنون