نام برندتان را در گوگل جست‌وجو می‌کنید. گاهی کنار یا بالای نتایج، کادری با لوگو، توضیح کوتاه و چند لینک رسمی می‌بینید و گاهی هیچ. آن کادر «پنل دانش» است و فقط ویترین کار است. پشت ویترین، سیستمی است که به‌جای رشته‌ی حروف، «چیزها» را نگه می‌دارد: آدم‌ها، مکان‌ها، سازمان‌ها و رابطه‌ی بینشان. اسم آن سیستم «گراف دانش» است.
مشکل اینجاست که عبارت «Knowledge Graph» در نوشته‌های سئو برای چند چیز متفاوت به کار می‌رود. همین باعث شده وعده‌هایی مثل «با این اسکیما وارد گراف دانش گوگل شوید» رایج شود، بی‌آنکه سندی پشتش باشد. این مقاله اول مفهوم را از منبع علمی تعریف می‌کند، بعد می‌گوید خود گوگل درباره‌ی گراف دانش و پنل دانش دقیقاً چه نوشته، و در پایان جدا می‌کند چه چیزی ثابت شده، چه چیزی فقط منطقی به نظر می‌رسد و چه چیزی هنوز شواهد ندارد.
هر ادعای مهم با سطح شواهد و بازه‌ی زمانی‌اش برچسب خورده است: سطح ۱ مستندات رسمی موتور جستجو، سطح ۲ مقالات داوری‌شده، سطح ۳ مدارک حقوقی یا شهادت زیر سوگند، سطح ۴ تحلیل صنعتی. پیش‌چاپ‌های arXiv با برچسب «پیش‌چاپ» می‌آیند و اگر انتشار داوری‌شده‌ی آن‌ها در این بررسی تأیید نشده باشد، همین در برچسب نوشته می‌شود. مرجع‌های فنی غیرموتور جستجو (مثل تعریف schema.org) خارج از چهار سطح و جدا برچسب می‌خورند. در این مقاله سندی از سطح ۳ به کار نرفته است، چون موضوع آن را ندارد. شماره‌ی لینک‌دار کنار هر برچسب (مثل [۱]) شما را به مدخل همان منبع در فهرست پایان مقاله می‌برد. جمله‌هایی که از «پیدا نشدن سند» نتیجه گرفته شده‌اند با برچسب «نتیجه‌ی بررسی نویسنده» و استنتاج‌ها با «استنتاج نویسنده» جدا شده‌اند.
| پاسخ کوتاه
• گراف دانش، شبکه‌ای از موجودیت‌ها (گره‌ها) و رابطه‌ها (یال‌ها) است. سطح ۲ — Hogan و همکاران، ۲۰۲۱ [۱۱] • «گراف دانش گوگل» پایگاه اختصاصی خود گوگل است و پنل دانش فقط بخشی از خروجی آن را نشان می‌دهد. گوگل می‌گوید پنل‌ها را سامانه‌های خودکارش می‌سازند. سطح ۱ — راهنمای پنل دانش، بدون تاریخ روی صفحه [۷] • در مستندات گوگل که بررسی کردیم، هیچ جمله‌ای نمی‌گوید با افزودن اسکیما، برند وارد گراف دانش می‌شود. مستند Organization markup می‌گوید این مارکاپ به گوگل کمک می‌کند سازمان را بهتر بشناسد و از سازمان‌های دیگر تشخیص دهد، و نمایش هیچ قابلیتی را تضمین نمی‌کند. سطح ۱ — مستند Organization، ۸ سپتامبر ۲۰۲۶ [۱] • پژوهش‌ها و روش‌های اجرایی برای ترکیب مدل‌های زبانی با گراف دانش وجود دارند؛ اما در منابعی که بررسی کردیم، استفاده‌ی محصولات مشخصی مثل ChatGPT یا Claude از گراف دانش گوگل مستند نشده است. سطح ۲ — Pan و همکاران، ۲۰۲۴ [۱۳] نتیجه‌ی بررسی نویسنده |
گراف دانش دقیقاً چیست؟
مرور جامع Hogan و همکاران که در ACM Computing Surveys چاپ شده، گراف دانش را این‌طور تعریف می‌کند: «گرافی از داده که قصد دارد دانشِ دنیای واقعی را جمع و منتقل کند؛ گره‌هایش موجودیت‌های مورد علاقه‌اند و یال‌هایش رابطه‌ی بین آن موجودیت‌ها». سطح ۲ — Hogan و همکاران، ۲۰۲۱ [۱۱]
در مدل‌هایی مانند RDF، اطلاعات به شکل «سه‌تایی» (triple) بیان می‌شود: یک موضوع، یک رابطه و یک مقصد. مقصد می‌تواند موجودیت دیگری باشد (مثل «ایران»)، یا یک مقدار مستقیم مثل تاریخ، عدد یا متن (مثل «۲۰۱۵»). مرور Hogan تصریح می‌کند گره‌های RDF می‌توانند «literal» باشند، یعنی رشته یا مقدار داده‌ای مثل عدد و تاریخ. سطح ۲ — Hogan و همکاران، ۲۰۲۱ [۱۱] هر خط جدول زیر یک سه‌تایی است. وقتی مقصدِ یک سه‌تایی یک موجودیت باشد، همان موجودیت می‌تواند موضوع سه‌تایی دیگری هم قرار بگیرد و شبکه شکل بگیرد؛ مقدارهای مستقیم مثل عدد و متن در RDF استاندارد موضوع سه‌تایی نمی‌شوند.
| موضوع | رابطه | مقصد |
| تهران | پایتخت است | ایران (موجودیت) |
| ایران | عضو است | سازمان ملل متحد (موجودیت) |
| شرکت نمونه (فرضی) | تاریخ تأسیس | ۲۰۱۵ (مقدار) |
همه‌ی گراف‌های دانش هم الزاماً با RDF ساخته نمی‌شوند. همان مرور، در کنار گراف جهت‌دار برچسب‌دار، «گراف ویژگی‌دار» (property graph) را هم توصیف می‌کند که در آن می‌شود به گره‌ها و یال‌ها جفت‌های ویژگی–مقدار وصل کرد. سطح ۲ — Hogan و همکاران، ۲۰۲۱ [۱۱]
یک تمثیل ملموس: دفترچه‌ی تلفن فقط فهرست اسم‌هاست؛ شما شماره‌ی «علی» را پیدا می‌کنید، اما نمی‌دانید او برادر چه کسی است. گراف دانش بیشتر شبیه شجره‌نامه‌ی خانوادگی است. هر آدم یک گره است و هر خط نسبتش با دیگری را می‌گوید (برادر، همسر، همکار). چون نسبت‌ها صریح ذخیره شده‌اند، می‌شود سؤال‌هایی پرسید که در فهرست ساده جواب ندارند، مثل «همکارانِ برادرِ علی چه کسانی‌اند؟».
Hogan و همکاران گراف‌های دانش را در دو دسته می‌گذارند: گراف‌های باز که همه می‌توانند استفاده کنند (مثل DBpedia، Freebase، Wikidata و YAGO) و گراف‌های سازمانی که شرکت‌ها برای کار خودشان می‌سازند. همین مرور، در مثال‌های سازمانی، جستجوی وب (Bing و Google) را نام می‌برد؛ یعنی گراف گوگل اختصاصی است و در گروه گراف‌های باز قرار نمی‌گیرد. سطح ۲ — Hogan و همکاران، ۲۰۲۱ [۱۱]
مدل گرافی چه تفاوتی با مدل رابطه‌ای دارد؟
این مقایسه درباره‌ی مدل داده است، نه جایگزینی SQL. گراف دانش شیوه‌ی مدل‌سازی و نمایش دانش است و الزاماً به نوع خاصی از پایگاه داده وابسته نیست. مرور Hogan حتی توضیح می‌دهد گراف جهت‌دار برچسب‌دار را می‌شود در پایگاه رابطه‌ای هم ذخیره کرد، مثلاً در یک جدول سه‌ستونی (triple table). سطح ۲ — Hogan و همکاران، ۲۰۲۱ [۱۱]
| معیار | مدل رابطه‌ای | مدل گرافی |
| واحد پایه | سطر در جدول | گره و یال |
| رابطه بین داده‌ها | معمولاً با کلید خارجی تعریف و با join بازیابی و ترکیب می‌شود | هر رابطه یک یال صریح و برچسب‌دار است |
| طرح‌واره (schema) | معمولاً از ابتدا تعریف می‌شود | به گفته‌ی Hogan، گراف اجازه می‌دهد تعریف طرح‌واره عقب بیفتد و داده منعطف‌تر تکامل یابد |
| مناسب برای | داده‌ی ساختارمند با طرح‌واره‌ی نسبتاً ثابت | داده‌ی بزرگ، متنوع و در حال تغییر که ارتباط بین اجزایش مهم است |
منبع این مقایسه: بخش‌های ۱ و ۲ مرور Hogan و همکاران. سطح ۲ — Hogan و همکاران، ۲۰۲۱ [۱۱]
مفهوم گراف دانش، محصول گوگل و رابط دسترسی‌اش را چطور از هم جدا کنیم؟
این مهم‌ترین بخش مقاله است، چون بیشتر سوءتفاهم‌ها از اینجا شروع می‌شوند. سه چیز هم‌سطح نیستند: یک مفهوم عام، یک نمونه‌ی اختصاصی از آن مفهوم، و یک رابط دسترسی به همان نمونه.
|
لایه |
چیست؟ | شما چه دسترسی‌ای دارید؟ |
| ۱. مفهوم عام گراف دانش | گرافی از داده برای بازنمایی دانش درباره‌ی موجودیت‌ها و روابط آن‌ها؛ مانند Wikidata، DBpedia و گراف‌های دانش سازمانی. سطح ۲ — Hogan و همکاران، ۲۰۲۱ [۱۱] |
بسته به گراف؛ بعضی را می‌توانید بخوانید و بسازید. |
|
۲. گراف دانش گوگل (نمونه‌ی اختصاصی) |
پایگاه اختصاصی حقایق درباره‌ی موجودیت‌ها. گوگل می‌گوید اطلاعات آن «اغلب» در پنل‌های دانش نمایش داده می‌شود. سطح ۱ — راهنمای «گراف دانش چطور کار می‌کند»، بدون تاریخ روی صفحه [۸] | دسترسی کامل به پایگاه و روابط داخلی یا امکان ویرایش مستقیم ندارید؛ خروجی آن را مثلاً در پنل دانش می‌بینید. |
| ۳. Knowledge Graph Search API (رابط دسترسی) | رابطی برای پیدا کردن موجودیت‌ها در گراف دانش گوگل. مستند گوگل می‌گوید فقط موجودیت‌های منفرد برمی‌گرداند، نه گراف روابط. سطح ۱ — Search API، ۲۶ آوریل ۲۰۲۴ [۴] |
دسترسی خواندنی محدود به موجودیت‌ها. گوگل می‌گوید برای سرویس حیاتی مناسب نیست. |
قاعده‌ی عملی: هر وقت شعاری مثل «وارد گراف دانش شوید» دیدید، بپرسید کدام لایه. لایه‌ی ۲ را فقط گوگل مدیریت می‌کند؛ لایه‌ی ۳ ابزاری برای جست‌وجوی همان لایه است؛ لایه‌ی ۱ مفهومی عمومی است که ربطی به یک شرکت خاص ندارد. اگر گوینده نتواند بگوید کدام را می‌گوید، ادعایش قابل بررسی نیست.
گوگل گراف دانش را برای چه ساخت؟
گوگل گراف دانش را در ۱۶ مه ۲۰۱۲ با شعار «things, not strings» (چیزها، نه رشته‌ها) معرفی کرد. ایده این بود که جستجو از تطبیق حروف فراتر برود و موجودیت‌های دنیای واقعی و ارتباط بینشان را بفهمد. سطح ۱ — Singhal، ۲۰۱۲ [۹]
دو عددی که گوگل خودش درباره‌ی اندازه‌ی این پایگاه منتشر کرده را کنار هم ببینید.
|
تاریخ |
عدد اعلام‌شده | منبع |
| ۱۶ مه ۲۰۱۲ | بیش از ۵۰۰ میلیون «شیء» (objects) و بیش از ۳٫۵ میلیارد حقیقت (fact) |
Singhal، وبلاگ گوگل سطح ۱ — Singhal، ۲۰۱۲ [۹] |
|
۲۰ مه ۲۰۲۰ |
بیش از ۵۰۰ میلیارد حقیقت درباره‌ی پنج میلیارد موجودیت |
Sullivan، وبلاگ گوگل سطح ۱ — Sullivan، ۲۰۲۰ [۱۰] |
سه نکته درباره‌ی این اعداد. اول، این آخرین عدد عمومی از منابع رسمی است که ما پیدا کردیم؛ عدد تازه‌تری ندیدیم، پس نباید آن را «اندازه‌ی امروز» خواند. دوم، هر دو عدد به‌صورت «بیش از» اعلام شده‌اند. نسبت ۵۰۰ میلیارد به ۳٫۵ میلیارد حدود ۱۴۳ می‌شود، اما چون هر دو عدد حداقل‌اند، نمی‌توان نرخ رشد واقعی را از آن‌ها محاسبه کرد. سوم، این دو گزارش یکسان بودن تعریف عملیاتی و روش شمارش («شیء»، «موجودیت»، «حقیقت») را مشخص نمی‌کنند.
گوگل در مقاله‌ی ۲۰۲۰ توضیح می‌دهد که پنل دانش، کادرهای اطلاعاتی درباره‌ی آدم‌ها، مکان‌ها و چیزهاست و خلاصه‌ای از حقایق کلیدی هر موضوع را نشان می‌دهد. سطح ۱ — Sullivan، ۲۰۲۰ [۱۰]
اطلاعات گراف دانش گوگل از کجا می‌آید؟
در ۲۰۱۲ گوگل گفت گراف دانش بر منابع عمومی مثل Freebase، ویکی‌پدیا و CIA World Factbook ریشه دارد. سطح ۱ — Singhal، ۲۰۱۲ [۹] در توضیحات جدیدتر، فهرست منابع گسترده‌تر شده است:
|
نوع منبع |
مثالی که گوگل می‌زند | سند |
| منابع عمومی وب | «مطالبی که در سراسر وب منتشر شده» |
Sullivan، ۲۰۲۰ سطح ۱ — Sullivan، ۲۰۲۰ [۱۰] |
|
داده‌های دارای مجوز |
نتایج ورزشی، قیمت سهام، پیش‌بینی هوا؛ و داده‌های موسیقی، ورزش و تلویزیون | راهنمای گوگل و Sullivan سطح ۱ — راهنمای «گراف دانش چطور کار می‌کند»، بدون تاریخ روی صفحه [۸] |
| اطلاعاتی که صاحبان محتوا مستقیم می‌دهند | گوگل می‌گوید صاحبان محتوا با «کدنویسی ویژه» (structured data) اطلاعاتی مثل رویدادهای پیش‌رو را به اشتراک می‌گذارند |
Sullivan، ۲۰۲۰ سطح ۱ — Sullivan، ۲۰۲۰ [۱۰] |
درباره‌ی کنترل کیفیت هم گوگل صریح است. می‌گوید برای حجم این جستجوها «خودکارسازی تنها راه است»، اطلاعاتی را که سیاست‌هایش را نقض کند به‌صورت دستی حذف می‌کند، ممکن است درباره‌ی واقعیت‌های مورد اختلاف اقدامی نکند، و می‌پذیرد که «هیچ سیستمی بی‌نقص نیست». سطح ۱ — راهنمای «گراف دانش چطور کار می‌کند»، بدون تاریخ روی صفحه [۸]
نتیجه‌ی مهم برای برندها: در مستنداتی که بررسی کردیم، مسیر رسمیِ «ثبت‌نام در گراف دانش» دیده نشد. گوگل از منابع مختلف جمع می‌کند و برای تصحیح، مسیر پنل را (که در بخش بعد می‌آید) پیشنهاد می‌دهد. نتیجه‌ی بررسی نویسنده
پنل دانش و گراف دانش یکی هستند؟
نه. گراف دانش پایگاه پشت صحنه است و پنل دانش یکی از جاهایی است که خروجی آن دیده می‌شود. گوگل هم خودش همین تفکیک را می‌گذارد.
|
|
گراف دانش | پنل دانش |
| چیست؟ | پایگاه حقایق درباره‌ی موجودیت‌ها |
کادر اطلاعاتی در نتایج جستجو |
|
چطور ساخته می‌شود؟ |
از منابع متنوع، به‌صورت عمدتاً خودکار |
«به‌صورت خودکار» و با اطلاعات منابع مختلف وب ساخته و با تغییر وب به‌روز می‌شود |
|
چه کسی می‌تواند تغییر پیشنهاد دهد؟ |
مسیر رسمی ویرایش مستقیم در مستندات دیده نشد | موضوع پنل یا نماینده‌ی رسمی او می‌تواند پنل را ادعا (claim) و تغییر پیشنهاد کند؛ دیگران می‌توانند ویرایش پیشنهاد بدهند |
| تضمین دارد؟ | مستند نشده |
گوگل درباره‌ی دقت، کامل بودن یا ماندگاری پنل تضمینی نمی‌دهد |
منابع این جدول: صفحه‌های راهنمای پنل دانش گوگل. سطح ۱ — راهنمای پنل دانش، بدون تاریخ روی صفحه [۷] سطح ۱ — راهنمای «گراف دانش چطور کار می‌کند»، بدون تاریخ روی صفحه [۸]
پنل دانش همچنین با «پروفایل کسب‌وکار گوگل» که برای کسب‌وکارهای محلی است یکی نیست. در این مقاله فقط به پنل دانش می‌پردازیم.
گوگل چطور یک برند را «موجودیت» می‌شناسد؟
«موجودیت» یعنی چیزی که هویت مشخص و جدا از چیزهای دیگر دارد: یک شرکت، یک آدم، یک محصول. وقتی کسی می‌پرسد «گوگل چطور برند من را می‌شناسد؟»، در واقع می‌پرسد گوگل از کجا می‌فهمد که این نام به یک سازمان مشخص اشاره دارد، نه به یک کلمه‌ی عمومی یا سازمانی با نام مشابه. گوگل فرایند دقیق این تشخیص را منتشر نکرده است. آنچه مستند است محدود است، و همان را با برچسب سطح شواهد در جدول زیر می‌بینید.
گوگل در مستندات خودش چه می‌گوید؟
مستند Organization structured data می‌گوید افزودن این مارکاپ می‌تواند به گوگل کمک کند سازمان شما را بهتر بفهمد و آن را از سازمان‌های دیگر در نتایج جستجو تشخیص دهد. در راهنمای عمومی Organization هیچ ویژگی (property) اجباری نیست و گوگل توصیه می‌کند هر ویژگی مرتبط را اضافه کنید. این فقط درباره‌ی همین راهنماست: برای زیرنوع LocalBusiness راهنمای جداگانه‌ای هست که name و address را اجباری می‌داند. سطح ۱ — LocalBusiness، ۸ سپتامبر ۲۰۲۶ [۶] همین مستند می‌گوید بعضی ویژگی‌ها روی عناصر نمایشی اثر دارند، مثل لوگویی که در نتایج و پنل دانش نشان داده می‌شود، و صریحاً اضافه می‌کند که گوگل نمایش قابلیت‌های وابسته به structured data را تضمین نمی‌کند. سطح ۱ — مستند Organization، ۸ سپتامبر ۲۰۲۶ [۱]
درباره‌ی محل قرار دادن، گوگل توصیه می‌کند این اطلاعات روی صفحه‌ی اصلی یا یک صفحه‌ی توصیف‌کننده‌ی سازمان (مثل «درباره‌ی ما») بیاید و لازم نیست در همه‌ی صفحه‌ها تکرار شود. همین مستند توصیه می‌کند از «دقیق‌ترین زیرنوع schema.org برای Organization» که با سازمان شما می‌خواند استفاده کنید و کد را با Rich Results Test اعتبارسنجی کنید. سطح ۱ — مستند Organization، ۸ سپتامبر ۲۰۲۶ [۱] وبلاگ Search Central هم در ۲۹ نوامبر ۲۰۲۳ مطلبی با عنوان «Expanding markup support for Organization details, including Logo structured data» منتشر کرده است. سطح ۱ — وبلاگ Search Central، ۲۹ نوامبر ۲۰۲۳ [۵]
|
اقدام |
مستند گوگل دقیقاً چه می‌گوید؟ | سطح شواهد |
| افزودن Organization markup به صفحه‌ی اصلی یا صفحه‌ی معرفی سازمان | به فهم بهتر سازمان و تشخیص آن از سازمان‌های دیگر کمک می‌کند. نمایش هیچ قابلیتی تضمین نمی‌شود. |
سطح ۱ — مستند Organization، ۸ سپتامبر ۲۰۲۶ [۱] |
|
ویژگی logo |
لوگوی نماینده‌ی سازمان؛ روی لوگوی نشان‌داده‌شده در نتایج و پنل دانش اثر دارد. تصویر باید دست‌کم ۱۱۲×۱۱۲ پیکسل، قابل خزیدن و ایندکس‌شدن و در قالبی باشد که Google Images پشتیبانی می‌کند. | سطح ۱ — مستند Organization، ۸ سپتامبر ۲۰۲۶ [۱] |
| ویژگی sameAs | نشانی صفحه‌ای در وب‌سایت دیگر که اطلاعات بیشتری درباره‌ی سازمان دارد. (گوگل فقط همین تعریف را می‌دهد؛ ادعای دیگری درباره‌ی اثر آن نمی‌کند.) تعریف schema.org دقیق‌تر است: صفحه‌ی مرجعی که هویت آیتم را بدون ابهام نشان می‌دهد، مثل صفحه‌ی ویکی‌پدیا، مدخل ویکی‌داده یا وب‌سایت رسمی. مرجع فنی (خارج از چهار سطح) — schema.org [۱۴] |
سطح ۱ — مستند Organization، ۸ سپتامبر ۲۰۲۶ [۱] |
|
ادعای پنل (claim) |
اگر پنلی وجود دارد، موضوع آن یا نماینده‌ی رسمی‌اش می‌تواند آن را ادعا و تغییر پیشنهاد کند. | سطح ۱ — راهنمای پنل دانش، بدون تاریخ روی صفحه [۷] |
| یکدست بودن اطلاعات برند در جاهای مختلف وب | مستند مستقیمی نداریم. فقط می‌دانیم گوگل می‌گوید حقایق را از منابع متنوع جمع می‌کند؛ نتیجه‌گیری ما یک استنتاج منطقی است. |
استنتاج نویسنده |
اگر برند شما سازمان نیست چه؟
برند، سازمان و شخص یک مفهوم نیستند. یک سازمان ثبت‌شده، یک برند شخصی (مثلاً سایت یک مشاور یا تحلیل‌گر) و نام تجاری یک محصول، سه موجودیت متفاوت‌اند. مستند Organization فقط درباره‌ی سازمان است و در آنچه خواندیم به برند شخصی نمی‌پردازد. نمونه‌ی کد این مقاله هم برای سازمان است. برای برند شخصی باید نوع متناسب با شخص (در schema.org: Person) و برای برند محصول، خود برند یا محصول را جدا از سازمان مالکش مدل کرد؛ مستند Organization درباره‌ی این دو حالت چیزی نمی‌گوید، پس پیش از پیاده‌سازی، مستند مربوط به همان نوع را جداگانه بخوانید. نتیجه‌ی بررسی نویسنده
یک نمونه‌ی ساده از Organization markup
کد زیر نمونه‌ای آموزشی برای یک سازمان است، با نام و نشانی‌های فرضی. ویژگی‌ها همگی از فهرست ویژگی‌های توصیه‌شده در مستند گوگل هستند. این کد ورود به گراف دانش را تضمین نمی‌کند؛ فقط اطلاعات سازمان را به شکل قابل‌خواندن برای ماشین ارائه می‌دهد.
| <script type=”application/ld+json”>
{ “@context”: “https://schema.org”, “@type”: “Organization”, “name”: “Example Brand”, “alternateName”: “برند نمونه”, “url”: “https://www.example.com/”, “logo”: “https://www.example.com/logo.png”, “description”: “توضیح کوتاه و دقیق درباره‌ی سازمان”, “foundingDate”: “2015”, “sameAs”: [ “https://www.linkedin.com/company/example-brand”, “https://www.instagram.com/examplebrand” ] } </script> |
پیش از انتشار این کد چند نکته را بررسی کنید:
- نوع دقیق‌تر: اگر زیرنوع دقیق‌تری از Organization با سازمان شما می‌خواند، به‌جای Organization همان را بنویسید (برای کسب‌وکار محلی، مستند گوگل زیرنوع‌های LocalBusiness را نام می‌برد و راهنمای جداگانه‌ی آن name و address را اجباری می‌داند). سطح ۱ — مستند Organization، ۸ سپتامبر ۲۰۲۶ [۱] سطح ۱ — LocalBusiness، ۸ سپتامبر ۲۰۲۶ [۶]
- لوگو: نشانی لوگو باید قابل خزیدن و ایندکس‌شدن باشد، دست‌کم ۱۱۲×۱۱۲ پیکسل باشد و قالب فایلش را Google Images پشتیبانی کند. سطح ۱ — مستند Organization، ۸ سپتامبر ۲۰۲۶ [۱]
- اعتبارسنجی: کد را قبل از انتشار با Rich Results Test بررسی کنید و خطاهای بحرانی را رفع کنید. سطح ۱ — مستند Organization، ۸ سپتامبر ۲۰۲۶ [۱]
- نشانی‌های sameAs: فقط نشانی صفحه‌هایی را بگذارید که بدون ابهام همان سازمان را معرفی می‌کنند؛ مانند پروفایل رسمی سازمان یا مدخل معتبر همان سازمان در ویکی‌پدیا و ویکی‌داده. مرجع فنی (خارج از چهار سطح) — schema.org [۱۴]
چالش ویژه‌ی نام‌های فارسی
یک برند فارسی ممکن است با چند شکل نوشته شود: نام فارسی، نام لاتین، با نیم‌فاصله یا بدون آن، با «ی» و «ک» عربی یا فارسی. تفاوت شکل نوشتاری می‌تواند پردازش و تطبیق نام‌ها را پیچیده‌تر کند، اما از تفاوت توکن‌ها نمی‌توان نتیجه گرفت گوگل آن‌ها را موجودیت‌های جداگانه ثبت می‌کند. توکن‌سازی و تطبیق موجودیت دو فرایند متفاوت‌اند؛ اگر درباره‌ی لایه‌ی توکن‌سازی در متن فارسی کنجکاوید، مقاله‌ی ماشین فارسی را چطور می‌خواند؟ آن را با آزمایش توضیح داده است. استنتاج نویسنده
ویژگی alternateName را فقط برای نام‌های جایگزین واقعی به کار ببرید. تعریف گوگل برای آن «نام رایج دیگری که سازمان شما با آن شناخته می‌شود» است، نه فهرست همه‌ی حالت‌های تایپی یا اختلاف نویسه‌ها. سطح ۱ — مستند Organization، ۸ سپتامبر ۲۰۲۶ [۱] یکدست نوشتن نام برند در صفحه‌ی «درباره» و پروفایل‌های رسمی، کم‌هزینه‌ترین کاری است که می‌توان انجام داد. استنتاج نویسنده
مدل‌های زبانی و هوش مصنوعی چه ربطی به گراف دانش دارند؟
اینجا بیشترین ادعاهای بی‌پشتوانه شنیده می‌شود، پس سه چیز را جدا کنیم: آنچه علم می‌گوید، آنچه یک روش مهندسی است، و آنچه گوگل درباره‌ی محصولات AI خودش نوشته.
علم چه می‌گوید؟
Pan و همکاران در IEEE Transactions on Knowledge and Data Engineering سه چارچوب برای ترکیب مدل‌های زبانی بزرگ و گراف دانش مرور و پیشنهاد می‌کنند: مدل‌های زبانیِ تقویت‌شده با گراف دانش (KG-enhanced LLMs)، گراف‌های دانشِ تقویت‌شده با مدل زبانی (LLM-augmented KGs)، و ترکیب هم‌افزای هر دو. سطح ۲ — Pan و همکاران، ۲۰۲۴ [۱۳] این مقاله پژوهش‌های موجود و مسیرهای آینده را کنار هم می‌گذارد؛ اما از متنش نتیجه نمی‌شود که محصول مشخصی مثل ChatGPT یا Claude از گراف دانش گوگل استفاده می‌کند.
GraphRAG چیست و چه چیزی را ثابت نمی‌کند؟
مایکروسافت در مقاله‌ای (Edge و همکاران؛ نسخه‌ی اول آوریل ۲۰۲۴، نسخه‌ی دوم فوریه ۲۰۲۵) روشی به نام GraphRAG معرفی کرد. در این روش یک مدل زبانی از اسناد، گرافی از موجودیت‌ها می‌سازد، برای خوشه‌های موجودیت‌های نزدیک به هم خلاصه‌ی از پیش‌محاسبه‌شده تولید می‌کند و از آن‌ها برای پاسخ به پرسش‌های کلی درباره‌ی مجموعه‌ی بزرگی از متن‌ها کمک می‌گیرد. پیش‌چاپ arXiv، داوری‌شدن آن تأیید نشد — Edge و همکاران [۱۵] این مقاله یک روش اجرایی را توصیف می‌کند. درباره‌ی نحوه‌ی کار هیچ موتور جستجو یا پاسخ‌دهنده‌ی عمومی‌ای حرفی نمی‌زند.
گوگل درباره‌ی قابلیت‌های AI خودش چه می‌گوید؟
مستندات گوگل می‌گوید AI Overviews و AI Mode ممکن است از تکنیک «query fan-out» استفاده کنند، یعنی چند جستجوی مرتبط در زیرموضوع‌ها و منابع داده. سطح ۱ — AI features، ۱۰ دسامبر ۲۰۲۵ [۲] همین مستند می‌گوید برای حضور در این قابلیت‌ها نیازی به فایل ماشین‌خوان یا مارکاپ جدید نیست و اسکیمای ویژه‌ای هم لازم نیست. راهنمای بهینه‌سازی برای هوش مصنوعی مولد هم تأکید می‌کند structured data برای جستجوی مولد الزامی نیست، و در عین حال می‌گوید استفاده از آن به‌عنوان بخشی از استراتژی کلی سئو همچنان ایده‌ی خوبی است. سطح ۱ — راهنمای AI، ۱۰ ژوئیه ۲۰۲۶ [۳]
جمع‌بندی این بخش: پژوهش و روش اجرایی برای ترکیب مدل‌های زبانی با گراف دانش وجود دارد، اما در منابعی که دیدیم سندی نبود که نشان دهد پاسخ‌های مدل‌های زبانی درباره‌ی برند شما از «گراف دانش گوگل» می‌آید. نتیجه‌ی بررسی نویسنده اگر می‌خواهید درباره‌ی نحوه‌ی خواندن محتوا توسط مدل‌ها بیشتر بدانید، مقاله‌ی هوش مصنوعی محتوا را چطور می‌خواند و می‌فهمد؟ مکانیزم‌های پایه (توکن، امبدینگ، attention و RAG) را توضیح داده است، و مقاله‌ی GEO چیست؟ شواهد پژوهشی بهینه‌سازی برای موتورهای مولد را مرور می‌کند.
چه چیزهایی درباره‌ی گراف دانش هنوز ثابت نشده است؟
این جدول برای خواننده‌ای است که می‌خواهد ادعاهای رایج را بسنجد. «تأیید نشده» به معنای غلط‌بودن نیست؛ یعنی در منابعی که بررسی کردیم، سند قابل‌استنادی برایش پیدا نشد.
|
ادعای رایج |
وضعیت | چرا؟ |
| «با Organization schema وارد گراف دانش گوگل می‌شوید» | تأیید نشده |
گوگل فقط می‌گوید این مارکاپ به فهم و تمایز سازمان کمک می‌کند و نمایش را تضمین نمی‌کند. سطح ۱ — مستند Organization، ۸ سپتامبر ۲۰۲۶ [۱] |
|
«داشتن صفحه در ویکی‌پدیا یا ویکی‌داده شرط پنل دانش است» |
تأیید نشده | گوگل در ۲۰۱۲ ویکی‌پدیا را از منابع ریشه‌ای نام برد، اما در توضیحات جدید فقط می‌گوید منابع متنوع‌اند. هیچ سندی ندیدیم که این صفحه را شرط لازم یا کافی بداند. سطح ۱ — Singhal، ۲۰۱۲ [۹] سطح ۱ — راهنمای «گراف دانش چطور کار می‌کند»، بدون تاریخ روی صفحه [۸] |
| «گراف دانش گوگل تعیین می‌کند مدل‌های زبانی درباره‌ی برند چه بگویند» | تأیید نشده |
پژوهش‌ها و روش‌های اجرایی برای ترکیب مدل زبانی و گراف دانش وجود دارند، اما این منابع استفاده‌ی محصولات مشخص از گراف دانش گوگل را اثبات نمی‌کنند. سطح ۲ — Pan و همکاران، ۲۰۲۴ [۱۳] نتیجه‌ی بررسی نویسنده |
|
«اسکیمای بیشتر یعنی حضور بیشتر در پاسخ‌های هوش مصنوعی گوگل» |
تأیید نشده؛ گوگل آن را لازم نمی‌داند | گوگل می‌گوید structured data برای جستجوی مولد الزامی نیست و اسکیمای ویژه‌ای لازم نیست. الزامی نبودن، رابطه‌ی افزایشی را رد نمی‌کند، اما این رابطه‌ی مستقیم در مستندات بررسی‌شده تأیید هم نشده است. سطح ۱ — راهنمای AI، ۱۰ ژوئیه ۲۰۲۶ [۳] |
| «داشتن پنل دانش رتبه‌ی سایت را بالا می‌برد» | تأیید نشده |
در مستندات بررسی‌شده چنین ادعایی نیست. وجود پنل، به‌تنهایی مدرکی برای افزایش رتبه‌ی سایت نیست. نتیجه‌ی بررسی نویسنده |
برای یک برند چه کارهایی عملاً معقول است؟
این اقدامات شامل توصیه‌های مستند و پیشنهادهای تحلیلی‌اند که جداگانه برچسب خورده‌اند. هیچ‌کدام نتیجه‌ای را تضمین نمی‌کند.
اگر موضوع سایت شما یک سازمان است، اطلاعات آن را با Organization یا زیرنوع مناسب، روی صفحه‌ی اصلی یا صفحه‌ی معرفی سازمان ارائه کنید. این توصیه را نباید بدون بررسی به سایت شخصی یا برند محصول تعمیم داد.
- Organization markup روی صفحه‌ی اصلی یا صفحه‌ی معرفی سازمان. نام، آدرس سایت، لوگو، توضیح کوتاه و پروفایل‌های رسمی (sameAs) را اضافه کنید، دقیق‌ترین زیرنوع مناسب را انتخاب کنید و کد را اعتبارسنجی کنید. گوگل خودش می‌گوید این مارکاپ به فهم بهتر سازمان کمک می‌کند. سطح ۱ — مستند Organization، ۸ سپتامبر ۲۰۲۶ [۱]
- نام یکدست. نام برند را در صفحه‌ی «درباره»، پروفایل‌های رسمی و خود مارکاپ یکسان بنویسید و نام‌های جایگزین واقعی را با alternateName اعلام کنید. استنتاج نویسنده
- پنل را ادعا و اصلاح کنید. اگر پنلی برای برندتان ظاهر شد، از مسیر رسمی ادعا کنید و تغییرات را از همان راه پیشنهاد دهید. سطح ۱ — راهنمای پنل دانش، بدون تاریخ روی صفحه [۷]
- سئوی پایه را کنار نگذارید. اسکیما مکمل است. اگر با اصول اولیه آشنا نیستید، مقاله‌ی سئو چیست؟ نقطه‌ی شروع خوبی است.
- وعده‌ی ورود به گراف دانش را نخرید و ندهید. در مستندات گوگل مسیر رسمی برای این کار دیده نشد و هر «پکیج تضمینی» باید با جدول ادعاهای تأییدنشده‌ی بالا سنجیده شود. نتیجه‌ی بررسی نویسنده
اگر می‌خواهید بدانید این موضوع در افق بلندتر جستجو و هوش مصنوعی کجا قرار می‌گیرد، مقاله‌ی آینده‌ی سئو در سایه‌ی AGI و ASI را ببینید.
پرسش‌های متداول
آیا می‌توانم گراف دانش گوگل را مستقیم ویرایش کنم؟
در مستنداتی که بررسی کردیم، مسیر رسمی ویرایش مستقیم دیده نشد. مسیر رسمی از طریق پنل دانش است: موضوع پنل یا نماینده‌ی رسمی او می‌تواند آن را ادعا و تغییر پیشنهاد کند، و دیگران می‌توانند ویرایش پیشنهاد بدهند. سطح ۱ — راهنمای پنل دانش، بدون تاریخ روی صفحه [۷]
چرا برند من پنل دانش ندارد؟
طبق راهنمای گوگل، پنل زمانی خودکار ساخته می‌شود که اطلاعات کافی در وب عمومی موجود باشد و اطلاعات به پرسش کاربر ارتباط زیادی داشته باشد. سامانه‌های خودکار گوگل تعیین می‌کنند پنل چه موقع، کجا و چطور نمایش داده شود، و گوگل می‌گوید این فرایند چیزی نیست که بتواند یا بخواهد در آن دخالت کند. گوگل آستانه‌ی عددی یا تعریف «اهمیت» منتشر نکرده است، پس نمی‌توان علت را از بیرون با اطمینان تشخیص داد. سطح ۱ — راهنمای «گراف دانش چطور کار می‌کند»، بدون تاریخ روی صفحه [۸]
Knowledge Graph Search API برای برند من به کار می‌آید؟
می‌تواند برای جست‌وجوی موجودیت‌ها به کار برود، اما فقط موجودیت‌های منفرد برمی‌گرداند، نه گراف روابط. خود گوگل می‌گوید برای سرویس حیاتی مناسب نیست و کاربران جدید را به Cloud Enterprise Knowledge Graph هدایت می‌کند. سطح ۱ — Search API، ۲۶ آوریل ۲۰۲۴ [۴]
آیا ویژگی sameAs اجباری است؟
نه. مستند Organization هیچ ویژگی اجباری ندارد و توصیه می‌کند هر ویژگی مرتبط را اضافه کنید. سطح ۱ — مستند Organization، ۸ سپتامبر ۲۰۲۶ [۱]
آیا ChatGPT یا Claude از گراف دانش گوگل استفاده می‌کنند؟
در منابعی که بررسی کردیم، سندی نیافتیم که این را نشان دهد، پس نمی‌توانیم بگوییم بله یا خیر. نتیجه‌ی بررسی نویسنده آنچه مستند است پژوهش‌ها و روش‌های ترکیب مدل زبانی و گراف دانش است. سطح ۲ — Pan و همکاران، ۲۰۲۴ [۱۳]
منابع
همه‌ی لینک‌ها در تاریخ ۲۰ مهر ۱۴۰۵ (۱۲ اکتبر ۲۰۲۶) بازبینی شدند. برای مستندات گوگل، تاریخ «Last updated» همان روز از صفحه‌ی زنده خوانده شد. شماره‌ی هر مدخل همان شماره‌ی لینک‌دار کنار برچسب‌های متن است. لینک‌های داخلی سایت (که در متن آمده‌اند) در این فهرست نیستند.
سطح ۱ · مستندات رسمی گوگل
- [1] Google Search Central. Organization structured data. Last updated 2026-09-08. https://developers.google.com/search/docs/appearance/structured-data/organization
- [2] Google Search Central. AI features and your website. Last updated 2025-12-10. https://developers.google.com/search/docs/appearance/ai-features
- [3] Google Search Central. Optimizing for generative AI features in Google Search. Last updated 2026-07-10. https://developers.google.com/search/docs/fundamentals/ai-optimization-guide
- [4] Google for Developers. Knowledge Graph Search API. Last updated 2024-04-26. https://developers.google.com/knowledge-graph
- [5] Google Search Central Blog. Expanding markup support for Organization details, including Logo structured data. November 29, 2023. https://developers.google.com/search/blog/2023/11/introducing-organization-markup
- [6] Google Search Central. Local business (LocalBusiness) structured data. Last updated 2026-09-08. https://developers.google.com/search/docs/appearance/structured-data/local-business
- [7] Google Help. About knowledge panels (no date shown on the page). https://support.google.com/knowledgepanel/answer/9163198
- [8] Google Help. How Google’s Knowledge Graph works (no date shown on the page). https://support.google.com/knowledgepanel/answer/9787176
- [9] Singhal, A. Introducing the Knowledge Graph: things, not strings. Google blog, 2012-05-16. https://blog.google/products-and-platforms/products/search/introducing-knowledge-graph-things-not/
- [10] Sullivan, D. A reintroduction to our Knowledge Graph and knowledge panels. Google blog, 2020-05-20. https://blog.google/products-and-platforms/products/search/about-knowledge-graph-and-knowledge-panels/
سطح ۲ · مقالات داوری‌شده
- [11] Hogan, A., et al. (2021). Knowledge Graphs. ACM Computing Surveys, 54(4), Article 71 (June 2021), 37 pages. DOI: 1145/3447772. Note: the article’s own page was read through its author-archive copy (arXiv:2003.02320v6 and a university repository copy); section numbers cited refer to that text.
- [12] Hogan, A., et al. (2021). Knowledge Graphs (book edition). Synthesis Lectures on Data, Semantics, and Knowledge, No. 22, Springer. DOI: 10.2200/S01125ED1V01Y202109DSK022. org. Listed as the companion edition; the claims in this article are taken from the ACM Computing Surveys article [11], not from the book.
- [13] Pan, S., Luo, L., Wang, Y., Chen, C., Wang, J., & Wu, X. (2024). Unifying Large Language Models and Knowledge Graphs: A Roadmap. IEEE Transactions on Knowledge and Data Engineering, 36(7), 3580-3599 (July 2024). DOI: 1109/TKDE.2024.3352100
مرجع فنی (خارج از چهار سطح شواهد)
- [14] org. sameAs (property of Thing). https://schema.org/sameAs
پیش‌چاپ (وضعیت داوری تأییدنشده)
- [15] Edge, D., et al. From Local to Global: A Graph RAG Approach to Query-Focused Summarization. arXiv:2404.16130, cited version: v2, 2025-02-19 (v1: 2024-04-24). Preprint; peer-reviewed publication status was not confirmed in this review (no venue is listed on the arXiv page). https://arxiv.org/abs/2404.16130