گراف دانش چیست و چگونه بر سئو و دیده شدن تأثیر می‌گذارد؟

در گذشته موتورهای جستجو از جمله گوگل، عمدتاً بر اساس تطبیق مستقیم کلمات کلیدی با محتوای صفحات وب عمل می‌کردند و صرفاً فهرستی از وب‌سایت‌های مرتبط را در صفحات نتایج جستجو (SERP) نمایش می‌دادند. با معرفی گراف دانش گوگل (Google Knowledge Graph) در سال ۲۰۱۲، رویکرد این موتور جستجو به‌طور اساسی دگرگون شد.

گراف دانش، یک پایگاه داده گسترده و هوشمند از روابط میان مفاهیم و موجودیت‌های دنیای واقعی همچون افراد، مکان‌ها، اشیاء و ایده‌ها می باشد. الگوریتم‌های گوگل اکنون می توانند آنچه کاربر واقعاً به دنبال آن است را شناسایی کرده و نتایج را فراتر از تطبیق واژه‌ها ارائه دهند. این تحول، بهینه‌سازی برای گراف دانش را به یکی از عناصر کلیدی در استراتژی سئو و الگوریتم‌های جستجوی گوگل بدل کرده است.

گراف دانش گوگل چیست و چگونه کار می‌کند؟

گراف دانش گوگل یک پایگاه داده مبتنی بر داده‌های ساختاریافته می باشد که روابط میان افراد، مکان‌ها، اشیاء و مفاهیم مختلف یا به‌طور کلی "موجودیت‌ها" (Entities) را توصیف می‌کند. این فناوری به گوگل امکان داده است تا الگوریتم جستجوی خود را از یک رویکرد سنتی مبتنی بر تطابق کلمات کلیدی، به سیستمی پیشرفته‌تر و مبتنی بر موجودیت‌ها ارتقا دهد.

این فرآیند تنها محدود به شناسایی تعاریف واژه‌ها و عبارات نیست بلکه با بهره‌گیری از الگوریتم‌های یادگیری ماشین، نحوه اتصال موجودیت‌ها و روابط میان آنها را نیز تحلیل و ترسیم می‌نماید.

برای نمونه، کاربری که عبارت "seal" را جستجو می‌کند، می‌تواند به دنبال هر یک از موارد زیر باشد:

• ابزاری برای ایجاد نشانه‌گذاری،
• عضوی از یگان ویژه نیروی دریایی آمریکا (Navy SEAL)،
• وسیله یا ماده‌ای برای جلوگیری از نشت،
• خواننده مشهور بریتانیایی،
• یا یک پستاندار نیمه‌آبزی.

تصویر(1)

در سیستم‌های سنتی مبتنی بر کلمات کلیدی، گوگل معمولاً ترکیبی از تمامی این نتایج را بدون توجه به موضوع نمایش می‌داد اما با استفاده از گراف دانش، موتور جستجو قادر است تشخیص دهد که کاربر احتمالاً به دنبال کدام موجودیت مشخص می باشد. برای مثال، هنگامی که بیشتر کاربران "seal" را جستجو می‌کنند، گوگل متوجه می‌شود که هدف اغلب آنها خواننده بریتانیایی است. همین موضوع در تغییرات جزئی زبان نیز دیده می‌شود؛ چنانچه عبارت "seals" جستجو گردد، احتمالاً کاربر به دنبال اطلاعاتی درباره پستانداران نیمه‌آبزی می باشد.

این توانایی گوگل در تمایز و اولویت‌بندی نتایج، حاصل درک روابط معنایی میان واژه‌ها و موجودیت‌های دنیای واقعی است.

تصویر(2)

اهمیت گراف دانش در سئو

از زمان معرفی، گراف دانش گوگل رویکردی بنیادین و نوآورانه را در ارائه نتایج جستجو به وجود آورد. در حالی که موتورهای جستجوی اولیه صرفاً بر تطابق مستقیم کلمات کلیدی با محتوای وب‌سایت‌ها متکی بودند، گراف دانش توانست الگوریتم‌های گوگل را به سطحی ارتقا دهد که افراد، اشیاء و مفاهیم موردنظر کاربران را دقیق‌تر شناسایی کنند. این تحول موجب شد تا بخش قابل توجهی از بروزرسانی‌های الگوریتم گوگل و قابلیت‌های پیشرفته SERP بر پایه گراف دانش طراحی و توسعه یابند.

از جمله مهم‌ترین ویژگی‌ها و بروزرسانی‌های مبتنی بر گراف دانش می‌توان به موارد زیر اشاره کرد:

• جستجوی معنایی (Semantic Search): توانایی گوگل در درک معنا، مفهوم و موضوع عبارات جستجو شده.
• پنل‌های دانش (Knowledge Panels): بخش‌هایی در SERP که اطلاعات فشرده و ساختاریافته‌ای درباره موضوع جستجو ارائه می‌دهند.
• تجربه جستجوی مولد (Search Generative Experience – SGE): رویکرد جدید گوگل در استفاده از هوش مصنوعی برای تولید نتایج جستجوی غنی‌تر و موضوع‌محور.
• قابلیت دیده‌شدن (visibility) و یافتن برند: نمایش و ارتباط‌دهی برندهای هم‌خانواده، زیرمجموعه، صنایع، محصولات و دیگر موجودیت‌های مرتبط در نتایج جستجو.

با پیشرفت روز افزون گوگل در ایجاد نتایج جستجوی پیچیده‌تر و موضوع‌محور، اهمیت گراف دانش جهت بهینه‌سازی برای موتور جستجو، بیش از پیش افزایش یافته است. توانایی این سیستم در تطابق عبارات جستجو با "موجودیت‌ها" و معنای واقعی آنها، امروزه یکی از ارکان اساسی استراتژی‌های سئو می باشد.

چگونه گراف دانش ویژگی‌های جستجو را تقویت می‌کند؟

برای هر جستجویی که الگوریتم گوگل پردازش می‌کند، یکی از تصمیمات بزرگ این است که کدام ویژگی‌ های SERP را نمایش دهد. بخشی از نحوه انتخاب این ویژگی‌ها، به کار بردن گراف دانش برای شناسایی موجودیتی (یا موجودیت‌هایی) است که کاربر به دنبال آن می باشد. پیچیدگی و بهبود روزافزون موجودیت‌ها و روابط در گراف دانش، به گوگل اجازه داده است تا اطلاعاتی دقیق‌تر و سازمان‌یافته‌تر را در ویژگی‌های جستجوی خود ارائه دهد.

در ادامه، رایج‌ترین ویژگی‌های جستجو که نحوه استفاده گوگل از این اطلاعات مبتنی بر موجودیت را نشان می‌دهند، آورده شده است:

۱. پنل‌ های دانش (Knowledge Panels)

پنل‌های دانش حاوی اطلاعات واقعی و مختصر در مورد موضوع اصلی هر جستجو هستند. این پنل‌ها معمولاً بالای نتایج جستجوی موبایل یا در سمت راست لیست‌های جستجوی دسکتاپ ظاهر می‌شوند. پنل دانش برای انواع مختلف جستجوها مشابه بوده و صرفا در موارد خاص ممکن است تغییر کند.

تصویر(3)

برای مثال، پنل دانش برای هنرمند خواننده "Seal" شامل موارد زیر است:

• نحوه شناخته شدن او توسط بیشتر مردم (خواننده، ترانه‌سرا و تهیه‌کننده موسیقی).
• یک پاراگراف اطلاعاتی کوتاه از ویکی‌پدیا.
• جزئیات بیوگرافی.
• روابط با افراد و گروه‌های مهم دیگر.

۲. بخش People Also Searched For یا PASF

گوگل همواره تلاش می‌کند گزینه‌هایی را در اختیار کاربران قرار دهد تا بتوانند جستجوهای خود را اصلاح کرده یا به موضوعات مرتبط بپردازند. یکی از مهم‌ترین قابلیت‌ها در این زمینه، ویژگی People Also Searched For یا PASF است که گاهی به اختصار PASF نامیده می‌شود.

این ویژگی در دو موقعیت اصلی صفحات نتایج جستجو نمایش داده خواهد شد:

1. زیر پنل دانش: در این بخش، PASF موجودیت‌هایی را نشان می‌دهد که ارتباط نزدیکی با موجودیت اصلی جستجو دارند. به‌عنوان نمونه، اگر جستجوی اصلی «navy seals» باشد، PASF ممکن است سایر گروه‌های نظامی مرتبط را معرفی کند.
2. در بخش پایین SERP: در این حالت، PASF بیشتر بر کلمات کلیدی و اصلاح عبارت جستجو تمرکز دارد. هدف این بخش، کمک به کاربر برای بازتعریف یا افزایش دقت جستجوی فعلی است.

نکته‌ای مهم در بهینه‌سازی برای جستجو، تفاوت میان PASF و ویژگی People Also Ask یا PAA است:

• PASF به کاربران کمک می‌کند موجودیت صحیح را بیابند یا به موجودیت‌های مرتبط، عمیق‌تر ورود کنند.
• PAA اطلاعات تکمیلی درباره موضوع جستجو ارائه می‌دهد، مانند داده‌های واقعی، دستورالعمل‌ها یا جزئیات مرتبط.

تصویر(4)

هرچند هر دو ویژگی به احتمال زیاد از گراف دانش گوگل تغذیه می‌شوند، PASF ارتباط مستقیم‌تری با روابط مبتنی بر موجودیت‌ها در پایگاه دانش دارد، در حالی‌که PAA بیشتر بر ارائه توضیحات و پاسخ‌های مبتنی بر محتوا متمرکز است.

۳. موجودیت‌های مرتبط (Related Entities)

علاوه بر ویژگی‌های SERP که پیش‌تر به آنها اشاره شد، گوگل ممکن است از گراف دانش برای ارائه قابلیت‌های مبتنی بر موضوع استفاده کند و اطلاعات مرتبط با موجودیت‌های خاص را در نتایج جستجو نمایش دهد. برای نمونه، هنگام جستجوی نام Seal، فهرستی از آهنگ‌های او در بخش بالایی نتایج ظاهر می‌شود.

تصویر(5)

گراف دانش شامل انواع گوناگونی از موجودیت‌ها (Entities) است که برخی از آنها در اسناد فنی گوگل به‌طور صریح تعریف شده‌اند، مانند:

• کتاب (Book)
• رویداد (Event)
• فیلم (Movie)
• ضبط موسیقی (Music Recording)
• سازمان (Organization)
• نشریه (Periodical)
• شخص (Person)
• مکان (Place)
• تیم ورزشی (Sports Team)
• برنامه تلویزیونی (TV Episode)
• بازی ویدئویی (Video Game)

همچنین، نسخه‌های پیچیده‌تر و ترکیبی برخی موجودیت‌ها نیز در گراف دانش لحاظ شده‌اند؛ برای مثال:

• سری کتاب (Book Series): مجموعه‌ای از موجودیت‌های کتاب.
• آلبوم موسیقی (Music Album): مجموعه‌ای از موسیقی ها.

علاوه بر این، نسخه‌های خاص‌تر برخی موجودیت‌ها نیز وجود دارند. برای نمونه:

• کسب‌وکار محلی (Local Business)
• سازمان دولتی (Government Organization)

که هر دو زیرمجموعه‌ای از نوع موجودیت «سازمان» محسوب می‌شوند.

نکته مهم این است که تمام انواع موجودیت‌های موجود در گراف دانش، الزاماً درون نتایج جستجو ظاهر نمی‌شوند و نمایش آنها وابسته به موضوع و هدف جستجو است. به‌عنوان نمونه، هنرمندان موسیقی که در حال برگزاری تور هستند، ممکن است تقویم کنسرت‌های آینده خود را به‌طور مستقیم در نتایج جستجو نمایش دهند.

۴. AI Overview ها و اسنیپت‌های ویژه 

اسنیپت‌های ویژه (Featured Snippets) بیش از یک دهه است که بخشی ثابت از نتایج جستجوی گوگل محسوب می‌شوند. با رشد فناوری‌های هوش مصنوعی و معرفی SGE، بخش AI Overview ها در بخش قابل توجهی از جستجوها جایگاه خود را پیدا کرده‌اند. هر دو ویژگی، یعنی اسنیپت‌های ویژه و AI Overview ها، هدف مشترکی را دنبال می‌کنند و آن ارائه اطلاعاتی است که بیشترین ارتباط را با نیاز کاربر دارند.

با وجود شباهت در هدف، تفاوت‌های قابل‌توجهی میان آنها وجود دارد:

• اسنیپت‌های ویژه (Featured Snippets): متنی از یک منبع واحد نقل می‌کنند که به سوال کاربر پاسخ مستقیم داده یا اطلاعاتی درباره آن ارائه می‌دهد.
• خلاصه‌های هوش مصنوعی (AI Overviews): اطلاعات را از چندین منبع گردآوری کرده و به‌صورت یک متن خلاصه اما جامع ارائه می‌کنند. این خلاصه‌ها معمولاً طولانی‌تر از اسنیپت‌های ویژه‌ هستند و موضوع را به صورت گسترده‌تر پوشش می‌دهند.

تصویر(6)

از نظر مکان نمایش نیز، هر دو ویژگی معمولاً در بالای نتایج یا نزدیک به آن قرار می‌گیرند و نسبت به فهرست‌های استاندارد نتایج جستجو متمایزتر هستند. AI Overview ممکن است توضیحی درباره موضوع جستجو همراه با لینک به چندین منبع ارائه دهد. این متن توسط مدل Gemini گوگل تولید می‌شود و بر پایه درک آن از ارتباط میان موجودیت‌ها ساخته شده است.

۵. محصولات

زمانی که موضوع به اطلاعات محصول مربوط می‌شود، گوگل به جای گراف دانش (Knowledge Graph)، از سیستمی بسیار مشابه تحت عنوان گراف خرید (Shopping Graph) بهره می‌گیرد. داده‌های گراف خرید، مستقیماً از طریق Merchant Center و Manufacturer Center توسط تجار و تولیدکنندگان ارسال می‌شوند.

اگرچه گراف دانش و گراف خرید دو پایگاه داده مستقل به شمار می‌آیند اما هر دو از رویکرد مبتنی بر موجودیت (Entity-Based Approach) پیروی می‌کنند. درک این رویکرد در هر دو سیستم، می‌تواند به شما کمک کند تا متوجه شوید گوگل چگونه با بهره‌گیری از داده‌های ساختاریافته، نتایج جستجو را بهینه کرده و تجربه کاربر را ارتقا می‌دهد.

نتیجه گیری

گراف دانش گوگل یک انقلاب اساسی در عرصه جستجوی اینترنتی است که موتورهای جستجو را صرفا از تمرکز روی کلمات کلیدی به سمت درک عمیق‌تر موجودیت‌ها و روابط معنایی سوق داده است. از زمان معرفی در سال ۲۰۱۲، این فناوری نه تنها الگوریتم‌های گوگل را هوشمندتر کرده بلکه ویژگی‌های پیشرفته‌ای مانند پنل‌های دانش، PASF، موجودیت‌های مرتبط، AI Overview و حتی گراف خرید را شکل داده که همگی به بهبود تجربه کاربر و دقت نتایج کمک می‌کنند.