Структурированные данные в 2024 году: ключевые модели раскрывают будущее открытие ИИ

Хотя в 2023 году Google отказался от определенных расширенных результатов, таких как часто задаваемые вопросы и инструкции, он одновременно ввел беспрецедентное количество новых типов структурированных данных, в частности списки транспортных средств, информацию о курсах, аренде на отдых, страницы профилей и 3D-модели продуктов.

В феврале 2024 года он расширил поддержку вариантов продуктов и GS1 Digital Link, после чего в марте состоялся запуск бета-версии каруселей структурированных данных.

Эта стремительная эволюция указывает на развитие экосистемы, где структурированные данные служат не только видимостью поиска, но и формируют основу для фактических ответов искусственного интеллекта, языковых моделей обучения и улучшенных цифровых продуктов.

Анализ и методология

Статьи, представленные в этой статье, базируются на выпуске 2024 раздела «Структурированные данные» веб-альманаха HTTP Archive’. Годовой отчет анализирует состояние Интернета путем оценки внедрения структурированных данных на 16,9 миллиона веб-сайтов. Эти наборы данных являются открытыми для запроса в BigQuery в таблицах в 'httparchive.all.*'& ;#39;&nbsp ;и использует такие инструменты, как WebPageTest, Lighthouse и Wappalyzer для сбора показателей форматов структурированных данных, тенденций внедрения и производительности.

Тенденции внедрения структурированных данных

Анализ показывает убедительный рост основных форматов структурированных данных:

Это широкое внедрение указывает на то, что организации инвестируют в структурированные данные не только для видимости поиска, но и для того, чтобы искусственный интеллект и сканеры могли понимать и улучшать их цифровой опыт.

Графики AI Discovery and Knowledge Graphs

Связь между структурированными данными и системами ИИ развивается сложным образом.

Хотя многие генеративные поисковые системы искусственного интеллекта все еще развивают свой подход к использованию структурированных данных, установившиеся платформы, такие как Bing Copilot, Google Gemini и специализированные инструменты, такие как SearchGPT, уже, кажется, демонстрируют ценность понимания на основе объектов, в частности для локальных запросов и проверки фактов.

Обучение и понимание сущностей

Генеративные поисковые системы искусственного интеллекта учатся на огромных наборах данных, содержащих разметку структурированных данных, влияя на то, как они:

• Распознавать и классифицировать сущности (продукты, места, организации).
• Наземные ответы. Мы видим это в таких системах, как DataGemma, которые используют структурированные данные для обоснования ответов на факты, которые можно проверить.
• Понять связи между различными точками данных. Это особенно очевидно, когда schema.org используется для агрегирования наборов данных из авторитетных источников во всем мире.
• Типы запросов, связанных с процессом, таких как поиск местных предприятий и продуктов.

Этот тренинг определяет, как системы ИИ интерпретируют запросы и отвечают на них, в частности это видно в:

• Локальные бизнес-запросы, где атрибуты сущности соответствуют шаблонам структурированных данных.
• Запросы на продукты, отображающие структурированные данные, предоставленные продавцом.
• Информация на панели знаний, которая соответствует определению сущностей.

Интеграция с поисковыми системами

Различные платформы демонстрируют влияние структурированных данных через:

• Традиционный поиск: Расширенные результаты и панели знаний непосредственно на основе структурированных данных.
• Интеграция поиска AI:
  • Bing Copilot показывает улучшенные результаты для структурированных сущностей.
  • Google Gemini, отображающий информацию в графе знаний.
  • Специализированные механизмы, такие как Perplexity.ai, демонстрирующие понимание сущностей в запросах о местонахождении.
  • Последний эксперимент Google’ помощника по продаже AI, интегрированного в поисковую систему для поисковых запросов (Это замечательно! Вот на X, замечено уведомлением о поисковой системе).

Панель WordLift & Entity Knowledge Graph в Поиске Google – Год основания.

Спрашивая “Когда был основан WordLift?” в Google Gemini.

Вот пример Gemini и Google Search, имеющих один и тот же факт.

Помощник по продаже AI через ‘магазин’CTA для фирменных ссылок на сайт.

Проверка и проверка данных

Структурированные данные обеспечивают механизмы проверки через:

• Графы знаний: Такие системы, как Google&rsquos Data Commons, используют структурированные данные для проверки фактов.
• Наборы для обучения: Разметка Schema.org создает надежные учебные примеры для распознавания сущностей.
• Конвейеры проверки:Инструменты генерации содержимого, такие как WordLift, используют структурированные данные для проверки результатов ИИ.

Ключевым отличием является то, что структурированные данные не влияют непосредственно на ответы LLM, а скорее формируют поисковые системы ИИ с помощью:

<ол>

Это делает реализацию структурированных данных все более важной для видимости как на традиционных, так и на поисковых платформах на основе ИИ.

Мы вступаем в эту новую эру AI Discovery, инвестиции в структурированные данные больше не касаются только SEO – это’речь идет о создании семантического уровня, позволяющего машинам действительно понимать и точно представлять, кем вы являетесь.

Семантическая эволюция SEO: от структурированных данных до семантических данных

Практика поисковой оптимизации превратилась в семантическую поисковую оптимизацию, выходя за рамки традиционной оптимизации ключевых слов и охватывая семантическое понимание:

Оптимизация на основе сущностей

• Сосредоточьтесь на четких определениях сущностей и связях.
• Реализация комплексных атрибутов сущности.
• Стратегическое использование свойств sameAs для устранения неоднозначности.

Контентные сети

• Разработка взаимосвязанных кластеров контента.
• Четкое указание источника и авторство.
• Определение связей с мультимедиа.

Ключевые шаблоны реализации в JSON-LD

Публикация содержимого

Анализ шаблонов структурированных данных на миллионах веб-сайтов показывает три доминирующие тенденции внедрения для издателей контента. content/uploads/2024/11/viz-12-38.png” alt=”Шаблоны JSON-LD для издателей содержимого “width=”600″ height=”400″ class=”wp-image-532853 size-full” srcset=”https://www.searchenginejournal.com/wp-content/uploads/2024/11/viz- 12-38.png 600w, https://www.searchenginejournal.com/wp-content/uploads/2024/11/viz-12-38-480×320.png 480w, https://www.searchenginejournal.com/wp-content/uploads/2024/11 /viz-12-38-384×256.png 384w” sizes=”(max-width: 600px) 100vw, 600px” loading=”ленивый” >Шаблоны JSON-LD для издателей содержимого.

Структура веб-сайта &

Доминирование WebPage &rar; isPartOf &rar; Веб-сайт (5,8 миллионов) и веб-страница &rar; отдают приоритет четкой архитектуре сайта и навигационным путям.

Обозначение содержимого & Авторитет

Появляются сильные закономерности относительно атрибуции содержимого:

• Статья → автор &rar;
• Статья → издатель &rar;
• Публикация в блоге &rar; автор &rar;

Это внимание к авторству и организационной атрибуции отражает растущую важность сигналов E-E-A-T и авторитета содержимого в алгоритмах поиска.

Интеграция Rich Media

Последовая реализация разметки изображений для типов содержимого:

• Веб-страница → первичное изображение страницы &rar;
• Статья → изображение &rar; ImageObject (806 000)

Высокая частота связей со СМИ указывает на то, что издатели признают ценность структурированного визуального содержимого как для видимости поиска, так и для взаимодействия с пользователем.

Данные свидетельствуют о том, что издатели выходят за пределы базовой SEO-разметки и создают комплексные машиночитаемые графики содержимого, которые поддерживают как традиционный поиск, так и новейшие системы обнаружения искусственного интеллекта.

Местный бизнес & Розница

Анализ внедрения структурированных данных местного бизнеса выявил три критические группы шаблонов, которые доминируют в разметке на основе расположения.

Шаблоны JSON-LD для местного бизнеса и розничной торговли. (Изображение автора, ноябрь 2024 г.)

Местоположение & Доступность (+1,4 миллиона реализаций)

Высокое применение разметки физического расположения демонстрирует ее фундаментальную важность:

• Местный бизнес → адрес &rar; Почтовый адрес (745 000).
• Разместить → адрес &rar; Почтовый адрес (658 000).
• Организация → contactPoint →
• Местный бизнес → Спецификация часов открытия (519 000).

Сильное присутствие этих основных операционных деталей свидетельствует о том, что они являются основными факторами ранжирования для видимости локального поиска.

Географическая точность

Значительное внедрение геокоординат показывает фокус на точном месте:

• Разместить &rar;
• Местный бизнес &rar; Геокоординаты (205 000).

Этот двойной подход к расположению (адрес + координаты) указывает на то, что поисковые системы ценят точное географическое позиционирование для точности локального поиска.

Сигналы доверия

Меньшая, но заметная группа шаблонов сосредотачивается на репутации:

• Местный бизнес → просмотреть &rar; Обзор (94 000)
• Местный бизнес → aggregateRating &rar; Совокупный рейтинг (70 000)
• Местный бизнес → фотографии &rar;rar; ImageObject (42 000)
• Местный бизнес → делает предложение &rar;rar; Предложение (56 000)

Хотя и реже внедряются, эти элементы укрепления доверия создают более богатые местные бизнес-структуры, которые поддерживают видимость поиска и принятия решений пользователями.

Электронная коммерция (расширенный список)

Анализ структурированных данных электронной коммерции обнаруживает сложные модели внедрения, которые сосредоточены на обнаружении продукта и оптимизации конверсии.

Шаблоны JSON-LD для веб-сайтов электронной коммерции. (Изображение автора, ноябрь 2024 г.)

Информация об основном продукте (+4,7 миллионов реализаций)

Доминирование базовой торговой наценки показывает ее фундаментальную важность:

• Продукт → предлагает &rar;rar; Предложение (3,1 миллиона).
• Предложение → продавец &rar; Организация (2,2 млн.).
• Продукт → mainEntityOfPage &rar; Веб-страница (1,5 миллиона).

Этот высокий уровень введения связей с основными продуктами указывает на их критическую роль в выявлении продукта и видимости продавца.

Доверие & Социальное доказательство

Значительное внедрение разметки, связанной с осмотром:

• Продукт → просмотреть &rar; Обзор (490 000).
• Продукт → aggregateRating &rar; Совокупный рейтинг (201 000).
• Просмотреть → обзорОценка &rar; Рейтинг (110 000).

Значительное присутствие рецензионной разметки свидетельствует о том, что социальные доказательства остаются решающими для конверсии электронной коммерции.

Улучшенный контекст продукта

Реализация богатых атрибутов продукта показывает фокус на подробной информации о продукте:

• Продукт → бренд &rar; Бренд (315 000).
• Продукт → extraProperty &rar; PropertyValue (253 000).
• Продукт → изображение &rar; ImageObject (182 000).
• Предложение → детали доставки &rar;rar; OfferShippingDetails (151 000).
• Предлагать &rar; priceSpecification &rar; Характеристики цены (42 000).
• AggregateOffer → предлагает &rar;rar; Предложение (69 000).

Этот многоуровневый подход к атрибутам продукта создает комплексные сущности продукта, которые поддерживают видимость поиска и принятия решений пользователем.

Будущее

Роль структурированных данных выходит за пределы их традиционной функции как инструмента SEO для создания расширенных фрагментов и специальных функций поиска. В эпоху открытий искусственного интеллекта структурированные данные становятся критически важным фактором для машинного понимания, изменяя, как контент интерпретируется и связывается в Интернете. Это изменение побуждает отрасль к мыслить за пределами ориентированной на Google оптимизации, охватывая структурированные данные как основу семантической компоненты и интегрированной с ИИ сети.

Структурированные данные обеспечивают основу для создания взаимосвязанных машиносчитываемых структур, жизненно важных для новых приложений искусственного интеллекта, таких как разговорный поиск, графы знаний и (Graph) системы генерации с дополненным поиском (GraphRAG или RAG). . Эта эволюция требует двойного подхода: использование эффективных типов схем для получения мгновенных преимуществ от SEO (расширенные результаты) и одновременно инвестирование в комплексные описательные схемы, создающие более широкую экосистему данных.

Будущее — за пересечением структурированных данных, семантического моделирования и систем обнаружения контента, управляемых ИИ. Приняв более целостное представление, организации могут перейти от использования структурированных данных в качестве тактического дополнения к поисковой оптимизации до позиционирования их как стратегического уровня для активизации взаимодействия ИИ и обеспечения возможности поиска на разных платформах.

Благодарность и благодарность

Этот анализ был бы невозможен без преданной работы команды архива HTTP и участников веб-альманаха. Особая благодарность:

<стр.>Полная глава веб-альманаха «Структурированные данные» предлагает еще более глубокое представление о развитии структурированных данных.

По мере того как мы движемся к будущему на базе искусственного интеллекта, стратегическое значение структурированных данных будет расти.