En knowledge graph, også kaldet en vidensgraf, er en struktureret måde at samle viden på, så systemer kan forstå, hvordan personer, virksomheder, steder og andre entiteter hænger sammen. I stedet for kun at gemme enkeltstående data viser den relationer mellem dem.
En knowledge graph organiserer information som entiteter og forbindelser. Det gør det lettere at se, at en virksomhed har en ejer, at en person arbejder et bestemt sted, eller at et produkt tilhører en kategori. Både søgemaskiner og andre digitale systemer bruger denne struktur til at forstå betydning og sammenhæng.
Formålet er at gøre viden mere præcis, søgbar og brugbar. Når relationer er tydelige, bliver det nemmere at forbinde oplysninger, reducere tvetydighed og levere mere relevante resultater.
En vidensgraf organiserer information som et netværk af tydeligt adskilte dele. Den vigtigste byggesten er en entitet, altså en identificerbar ting som en person, en virksomhed, et sted eller et produkt. Hver entitet har sin egen betydning og skal kunne skelnes fra andre, også når navne ligner hinanden. Derfor handler modellen ikke kun om ord, men om hvad ordene faktisk henviser til.
Mellem entiteterne ligger relationer. De beskriver, hvordan noget hænger sammen med noget andet. En relation kan for eksempel være “arbejder hos”, “ligger i” eller “er grundlagt af”. Derudover har en entitet attributter, som angiver egenskaber eller fakta om den. Det kan være navn, fødselsdato, branche, adresse eller geografiske koordinater. Relationer forbinder entiteter med hinanden, mens attributter beskriver selve entiteten. Det er den skelnen, der gør strukturen logisk og brugbar.
Et enkelt eksempel er entiteten “Mette Frederiksen”. Hun kan være forbundet til entiteten “Danmark” gennem relationen “statsminister for”. Samtidig kan entiteten have attributter som fødselsår og stillingsbetegnelse. I en større vidensgraf kobles mange sådanne entiteter, relationer og attributter sammen, så søgemaskiner og systemer bedre kan forstå kontekst, betydning og sammenhænge.
Det afgørende er, at en knowledge graph ikke først og fremmest er en bestemt database, men en måde at modellere viden på. Den forbinder entiteter som personer, virksomheder, steder og begreber med relationer, så betydning og kontekst bliver tydelig. En klassisk relationsdatabase lagrer derimod data i tabeller med rækker og kolonner. Det er effektivt til velstrukturerede oplysninger og faste felter, men mindre fleksibelt, når mange forskellige relationer skal beskrives og ændres over tid.
En grafdatabase er teknologien, der er designet til at gemme og forespørge i noder og relationer. En knowledge graph kan godt ligge i en grafdatabase, men den kan også bygges på andre teknologier. Forskellen er derfor vigtig: Grafdatabasen er infrastrukturen, mens knowledge graphen er modellen, datastrukturen og den konkrete anvendelse af viden. For at gøre relationerne entydige bruges ofte en ontologi, som definerer typer, egenskaber og regler for, hvordan ting hænger sammen.
En taksonomi er noget andet igen. Den organiserer begreber i et hierarki, typisk fra overordnet til underordnet, som kategorier og underkategorier. Det er nyttigt til navigation, klassifikation og emnestruktur, men en taksonomi beskriver normalt kun få relationstyper. En knowledge graph kan derimod rumme mange slags forbindelser på tværs af hierarkier, for eksempel at en person arbejder i en virksomhed, har skrevet en bog eller er relateret til et emne. Forskellene bliver især vigtige i SEO og informationsarkitektur, når indhold skal forstås semantisk og ikke kun placeres i mapper eller tabeller.
I praksis gør en knowledge graph det muligt for søgemaskiner at forstå, hvad en side handler om, og hvem eller hvad der omtales. Det er centralt i Googles Google Knowledge Graph, hvor personer, virksomheder, steder og emner forbindes med egenskaber og relationer. Derfor kan Google vise et knowledge panel med fakta, billeder og nøgleoplysninger direkte i søgeresultatet, når systemet med høj sikkerhed kan identificere en entitet.
Det har stor betydning for semantisk søgning. Søgemaskinen matcher ikke kun ord, men også mening, kontekst og relationer mellem entiteter. Hvis en bruger søger på “grundlægger af LEGO”, kan Google forbinde virksomheden med historiske data og vise et præcist svar, selv om formuleringen ikke står ordret på siden. For SEO betyder det, at indhold bør være tydeligt struktureret omkring emner, begreber og relationer frem for kun enkelte søgeord.
Strukturerede data hjælper søgemaskiner med at aflæse disse sammenhænge mere sikkert. En virksomhed kan for eksempel markere navn, adresse, åbningstider og sociale profiler, så data lettere kobles til den rigtige entitet. Et medie kan opmærke en artikel med forfatter, dato og hovedemne, mens en netbutik kan beskrive produkter, priser og anmeldelser. Når data fra flere kilder peger på det samme, bliver dataintegration stærkere, og chancen øges for mere præcise søgeresultater og synlige SERP-elementer.
Arbejdet begynder med at vælge pålidelige datakilder. Det kan være egne produktdata, kundedata, CMS-indhold, leverandørfiler og eksterne registre. Før data kobles sammen, skal de renses og struktureres, så navne, kategorier, datoer og id’er følger samme logik. Ellers opstår der hurtigt dubletter og uklare forbindelser. En brugbar knowledge graph kræver ensartede felter og klare regler for, hvad en entitet er, og hvordan den beskrives.
Næste trin er entitetsmatching. Her vurderer man, om to eller flere dataposter faktisk handler om den samme virksomhed, person, vare eller lokation. Det sker typisk ved at sammenligne navn, adresse, varenummer eller andre unikke kendetegn. Når entiteterne er identificeret, opbygges relationer mellem dem, for eksempel at en forfatter har skrevet en bog, eller at et produkt tilhører en bestemt kategori. Det er netop disse relationer, der gør modellen nyttig i søgning, filtrering og indholdsforståelse.
Til webbrug bør strukturen også oversættes til schema markup, så søgemaskiner lettere kan aflæse sidens entiteter og sammenhænge. Det styrker ikke selve modellen alene, men gør den mere anvendelig i SEO.
Vedligeholdelse er afgørende. Data ændrer sig, nye entiteter kommer til, og gamle relationer bliver forældede. Derfor bør modellen opdateres løbende med faste kontroller for datakvalitet, fejlretning og validering af schema markup. En simpel proces med ansvar, intervaller og kvalitetschecks er ofte mere værd end en avanceret model, der ikke bliver holdt ajour.
En udbredt fejl er at tro, at en knowledge graph blot er en avanceret liste over søgeord. Det er den ikke. Søgeord er de ord og formuleringer, brugere skriver i en søgemaskine, mens entiteter er konkrete eller velafgrænsede ting som personer, virksomheder, steder, værker og begreber. En knowledge graph handler derfor om relationer mellem entiteter, ikke kun om ords forekomst.
En anden misforståelse er at sidestille en knowledge graph med en almindelig database. En database kan lagre oplysninger i tabeller, men en knowledge graph er bygget til at forbinde data semantisk, så sammenhænge og betydning bliver tydelige. Det gør den velegnet til at forstå, at flere navne eller stavemåder kan pege på samme entitet.
Mange forveksler også Google Knowledge Graph med et knowledge panel. Panelet er kun en synlig præsentation i søgeresultaterne. Google Knowledge Graph er den underliggende struktur af entiteter og relationer, som kan bruges mange steder i søgning og forståelse af indhold.
Hvad bruges en knowledge graph til? Den bruges til at forbinde data om personer, virksomheder, produkter og emner, så relationer bliver tydelige. Det gør det lettere for søgemaskiner og systemer at forstå indholdets sammenhæng.
Hvordan adskiller en knowledge graph sig fra en database? En traditionel database gemmer typisk data i tabeller og felter. En knowledge graph fokuserer i højere grad på forbindelser mellem enheder og gør komplekse relationer nemmere at analysere.
Er knowledge graphs vigtige for SEO? Ja, de kan styrke søgemaskiners forståelse af et website, et brand og dets emner. Det kan hjælpe med tydeligere semantisk relevans, især når indhold, struktur og entiteter hænger godt sammen.
Kan små virksomheder have gavn af knowledge graphs? Ja, også mindre virksomheder kan få værdi af klare og konsistente oplysninger om virksomhed, produkter, ydelser og kontaktdata. Det handler ikke kun om størrelse, men om datakvalitet.
Skal man bruge strukturerede data for at arbejde med knowledge graph? Ikke altid, men strukturerede data er ofte en stor hjælp. De gør det lettere at beskrive entiteter og relationer præcist, så søgemaskiner kan tolke oplysningerne korrekt.
Er en knowledge graph det samme som Googles Knowledge Graph? Nej, begrebet er bredere end Googles egen løsning. En knowledge graph kan også være en intern datamodel, som virksomheder bruger til at organisere og forbinde deres egne data.
En knowledge graph er en model, der organiserer viden som entiteter og relationer mellem dem. Entiteter kan være personer, virksomheder, steder, produkter eller begreber, og relationerne viser, hvordan de hænger sammen.
Formålet er at sætte data i kontekst, så systemer kan forstå betydning og sammenhæng bedre end ved kun at se på enkeltstående ord eller felter.
Den fungerer ved at forbinde identificerbare entiteter med bestemte relationstyper. Hvis en virksomhed for eksempel har en stifter, en adresse og en branche, kan alle disse oplysninger kobles sammen i én samlet struktur.
Det gør det muligt at finde mønstre, afklare tvetydighed og hente mere præcise svar, fordi systemet ikke kun læser data, men også forstår forbindelserne mellem dem.
En knowledge graph består typisk af entiteter, relationer og attributter. Entiteter er de ting, der beskrives, relationer forbinder dem med hinanden, og attributter angiver egenskaber som navn, dato, adresse eller kategori.
Derudover indgår ofte regler eller definitioner for, hvordan data må forbindes. Det kan være en ontologi eller en anden model, som sikrer ensartet struktur.
En knowledge graph er selve vidensmodellen: altså måden data og relationer er organiseret på. En grafdatabase er teknologien, der kan bruges til at lagre og forespørge i den model.
Man kan derfor sige, at grafdatabasen er værktøjet, mens knowledge graphen er den strukturerede viden, man bygger op.
Google bruger en knowledge graph til at forstå entiteter som personer, steder, virksomheder og emner samt relationerne mellem dem. Det hjælper søgemaskinen med at fortolke søgninger mere præcist og knytte indhold til den rigtige betydning.
Den viden kan blandt andet bruges til at vise faktabokse, sammenhænge mellem emner og mere præcise søgeresultater, når Google vurderer, at en entitet er tydeligt identificeret.
De styrker arbejdet med entitetsbaseret SEO, fordi søgemaskiner i stigende grad vurderer indhold ud fra emner, relationer og kontekst frem for kun eksakte søgeord. Det gør tydelig struktur og konsistente oplysninger vigtigere.
For SEO betyder det blandt andet, at indhold, intern struktur, brandoplysninger og strukturerede data bør pege i samme retning, så søgemaskinen lettere kan forstå, hvem og hvad siden handler om.
Strukturerede data er en metode til at markere indhold på en side, så søgemaskiner lettere kan aflæse entiteter og egenskaber. De er ikke det samme som en knowledge graph, men de kan hjælpe med at gøre en sides oplysninger tydeligere og mere maskinlæsbare.
Når schema markup bruges korrekt, bliver det lettere at forbinde virksomhed, produkt, artikel, forfatter eller sted med den rigtige entitet og dens relationer.
Søgeord er de ord, brugeren skriver i søgefeltet. Entiteter er de konkrete eller veldefinerede ting, som ordene henviser til, for eksempel en bestemt person, virksomhed eller by.
Det er vigtigt, fordi flere forskellige søgninger kan handle om den samme entitet. En knowledge graph forsøger derfor at forstå betydningen bag ordene, ikke kun selve formuleringen.
Ja, fordi semantisk søgning bygger på forståelse af mening, relationer og kontekst. En knowledge graph gør det lettere at koble spørgsmål med de rigtige entiteter og vise svar, selv når formuleringen varierer.
Det giver typisk mere præcise resultater, bedre håndtering af tvetydige begreber og stærkere forbindelse mellem relaterede emner.
Man begynder normalt med at samle relevante datakilder og definere, hvilke entiteter der skal indgå. Derefter standardiseres data, dubletter håndteres, og relationer mellem enhederne beskrives efter faste regler.
Til sidst skal modellen vedligeholdes løbende. En knowledge graph mister hurtigt værdi, hvis data ikke opdateres, eller hvis relationer bliver forældede og uklare.
Det kan være interne kilder som CMS-indhold, produktdata, kundedata, kategorier og virksomhedsoplysninger. Eksterne kilder kan være registre, leverandørdata, offentlige datasæt og andre troværdige tredjepartskilder.
Det vigtigste er ikke antallet af kilder, men at data er pålidelige, konsistente og kan kobles sammen uden at skabe fejl eller tvetydighed.
Nej. Google Knowledge Graph er den underliggende struktur af entiteter og relationer, som Google bruger til at forstå information. Et knowledge panel er den synlige præsentation af udvalgte oplysninger i søgeresultaterne.
Panelet er altså et muligt resultat af Googles forståelse, men ikke selve modellen bag.