En 2006, Tim Berners-Lee tuvo la visión de construir una web semántica habilitada a través de Linked Data. Ahora, más que nunca, su visión se está convirtiendo en realidad, porque además de los humanos, la IA y los modelos de lenguaje grande necesitan estos datos para ofrecer nuevas experiencias.
En este artículo, exploraremos qué son los datos vinculados y compartiremos ejemplos de proyectos de datos vinculados a los que muchos en la comunidad tecnológica y de SEO se refieren como gráficos de conocimiento.
¿Qué son los datos vinculados?
Linked Data es un conjunto de principios de diseño para publicar datos interconectados legibles por máquina en la web.
El término "datos vinculados" apareció por primera vez en 2006 cuando Tim Berners-Lee una publicación nota de diseño Sobre Nosotros la web semántica. Buscó utilizar Linked Data como una forma de representar la relación entre diferentes cosas en Internet. Internet se convertiría entonces en una enorme base de datos de objetos (datos) interconectados (vinculados) y se convertiría en la Web Semántica.
Las empresas o empresas pueden utilizar datos vinculados para definir cosas y las relaciones entre ellas. Por ejemplo, empresas como Facebook, Twitter y LinkedIn han emprendido proyectos de Linked Data para representar redes sociales. Cuando los usuarios realizan acciones como conectarse con otros usuarios o darle me gusta y compartir contenido, estas acciones se reflejan en una representación gráfica de quiénes son, a quién conocen y qué les gusta.
Como resultado, estas plataformas de redes sociales pueden obtener conocimientos sobre una persona y permitir cosas como publicidad dirigida a los usuarios en función de su relación con otras cosas. Sin embargo, el conocimiento que estas plataformas de redes sociales derivan de sus Datos Vinculados es propietario y no tiene licencia para uso externo.
Esto dio lugar a un movimiento que pedía que los datos vinculados estuvieran abiertos para que las personas los utilizaran libremente con fines de investigación, especialmente por parte de organizaciones gubernamentales y otras instituciones públicas como los museos.
En 2010, Tim Berners-Lee modificó su nota de diseño original para agregar principios para Linked Open Data, una variación de Linked Data que permite la reutilización.
Los datos abiertos vinculados (LOD) son datos vinculados publicados bajo una licencia abierta, que permite a otros acceder a ellos y reutilizarlos libremente.
Principios de los datos vinculados
Cuando Tim Berners-Lee publicó por primera vez la nota de diseño sobre Linked Data, definió los 4 principios de Linked Data. Según esta nota, las personas o las máquinas podrían explorar la red de datos si cumplieran con los siguientes 4 principios:
1. Utilice URI como nombres para cosas
Un URI (Identificador uniforme de recursos) es una cadena de caracteres que identifica un recurso. Proporciona una forma coherente de identificar recursos en diferentes sistemas y protocolos. Un recurso (también conocido como entidad) es cualquier cosa que pueda identificarse y describirse, como personas, lugares, objetos o conceptos.
2. Utilice URI HTTP [o HTTPS] para que las personas puedan buscar esos nombres
Un URI HTTP/HTTPS es un tipo específico de URI que utiliza el Protocolo de transferencia de hipertexto o Protocolo seguro. Esto significa que cuando accede a un URI HTTP/HTTPS en un navegador web o mediante una solicitud HTTP, debe obtener información sobre el recurso que identifica.
3. Cuando alguien busque una URI, proporcione información útil, utilizando los estándares (RDF, SPARQL)
Cuando un usuario o una aplicación accede a un Identificador uniforme de recursos (URI), la información devuelta debe ser significativa y estar estructurada de acuerdo con tecnologías semánticas estandarizadas, específicamente RDF (para expresar los datos) y SPARQL (para consultar los datos).
4. Incluye enlaces a otras URI para que puedan descubrir más cosas.
Cuando crea o publica datos, debe incluir enlaces dentro de sus datos a otros recursos o entidades (en forma de URI). Estos URI pueden apuntar a información relacionada o relevante, como otros recursos, definiciones o atributos. Esto proporciona contexto adicional sobre sus propios recursos.
Si sigue estos principios, contribuirá a una red cada vez mayor de datos interconectados en la Web. Esto permite a los consumidores de datos (humanos o máquinas) recopilar más ideas, contexto y conocimiento.
El beneficio de utilizar datos vinculados para SEO
Los datos vinculados son excelentes para el SEO porque pueden proporcionar a los motores de búsqueda más conocimiento contextual sobre su contenido. Los motores de búsqueda ahora analizan la relevancia para brindar a los buscadores los resultados más precisos.
Una de las formas más comunes de datos vinculados en la web es el marcado de esquema, que describe principalmente el contenido de la página web para los motores de búsqueda. Schema Markup utiliza el vocabulario Schema.org que puede expresar datos vinculados RDF en formatos como JSON-LD.
Cuando utiliza código legible por máquina, como Schema Markup, para expresar la relación entre las entidades de su sitio, ayuda a los motores de búsqueda a comprender y obtener conocimientos sobre su organización.
Por ejemplo, si tiene una página sobre la aplicación de software patentada de su organización, puede decirle a los motores de búsqueda que esta aplicación de software la proporciona su organización vinculando el URI que contiene toda la información sobre su organización a la propiedad del proveedor en el marcado de su página.
{ "@context": "http://schema.org/", "@type": "SoftwareApplication", "@id": "https://www.schemaapp.com/solutions/schema-app-highlighter/ #SoftwareApplication", "name": "Schema App Highlighter", "description": "Utilice Schema App Highlighter para personalizar su marcado de esquema...", "applicationCategory": "Optimización de motores de búsqueda", "proveedor": { "@type": "Organización",
"@id": "https://www.schemaapp.com/#Organization", "url": "https://www.schemaapp.com/", "nombre": "Aplicación de esquema", "descripción": "La aplicación Schema es una solución integral de marcado de esquemas...", "teléfono": "18554448624",
"correo electrónico": "support@schemaapp.com",
"areaServed": "http://www.wikidata.org/entity/Q13780930", }}
El URI aparece en JSON-LD en el atributo @id. Su marcado de esquema se puede generar y crear sin incluir identificadores (@id). Los motores de búsqueda como Google seguirán leyéndolo y haciéndolo elegible para obtener resultados enriquecidos. Sin embargo, al generar su marcado de esquema con un URI, puede vincularlo a otras entidades.
También puedes vincular tu Schema Markup a otros proyectos de datos vinculados para ser más explícito sobre las entidades de las que estás hablando en tu sitio web.
Por ejemplo, si estás hablando de fútbol en una página, esto puede resultar confuso para los motores de búsqueda porque el término fútbol puede significar diferentes cosas dependiendo del lugar del mundo en el que te encuentres. Puedes ayudar a los motores de búsqueda a eliminar la ambigüedad a qué fútbol te refieres vinculando tu página a la misma entidad descrita en Wikipedia, Wikidata o Knowledge Graph de Google.
Si estás hablando de fútbol americano, puedes utilizar el igual que propiedad en su marcado de esquema para vincular a la misma entidad en Wikipedia, Wikidata o el gráfico de conocimiento de Google.
{ "@context": "http://schema.org/", "@type": "BlogPosting", "@id": "https://www.schemaapp.com/blog/what-is-football/ #BlogPosting", "url": "https://www.schemaapp.com/blog/what-is-football/", "name": "¿Qué es el fútbol?", "headline": "¿Qué es el fútbol?" , "description": "Aprende sobre las reglas y la historia del fútbol.", "menciones": { "@type": "Cosa",
"nombre": "Fútbol", "igual que": "https://www.wikidata.org/wiki/Q41323", "igual que": "https://en.wikipedia.org/wiki/American_football", "igual que ": "kg:/m/0jm_", }}
Sin embargo, aplicar datos vinculados en su sitio puede ser una tarea técnicamente desafiante.
- Quality – Es necesario mantener los datos actualizados, exactos y completos.
- Escalabilidad – Manejar este enorme volumen de datos puede consumir mucho tiempo y recursos.
- conocimiento – Transformar su contenido en Datos Vinculados requiere conocimiento de las tecnologías para realizar este trabajo y cómo aplicarlas de manera efectiva.
- Sostenibilidad – Necesita recursos para mantener la calidad de los datos.
Ejemplos de proyectos de datos vinculados en SEO
Hay muchos ejemplos de proyectos de datos vinculados que se utilizan en la actualidad. Estos proyectos de datos vinculados también se suelen denominar gráficos de conocimiento.
Gráficos de conocimiento son una colección de entidades relacionadas expresadas como tripletas RDF. Cuando utiliza Schema Markup para expresar la relación entre dos entidades en su sitio, está implementando Datos Vinculados. Cuando conecta las distintas entidades en su sitio, está desarrollando efectivamente un gráfico de conocimiento interno sobre su organización. Su gráfico de conocimiento interno se vuelve aún más sólido y útil cuando se vincula a otros gráficos de conocimiento externos.
Algunos de estos gráficos de conocimiento externo también son útiles para fines de optimización de motores de búsqueda (SEO). Los equipos de SEO pueden conectar sus gráficos de conocimiento internos con gráficos de conocimiento externos para indicar a los motores de búsqueda que la entidad definida en este gráfico de conocimiento externo es la misma que la entidad definida en su sitio web.
Exploremos algunos de los proyectos de datos vinculados/gráficos de conocimiento externo relacionados con el mundo del SEO.
Gráfico de conocimiento de Google
Gráfico de conocimiento de Google es una base de datos de conocimiento que Google utiliza para brindar respuestas rápidas a consultas sobre ciertos temas o entidades (personas, lugares, organizaciones, cosas). Esto puede aparecer en la búsqueda en forma de panel de conocimiento. El panel de conocimiento contiene una instantánea de información sobre el tema basada en la comprensión de Google del contenido disponible en Internet.
La historia del Knowledge Graph de Google comienza con Freebase, un proyecto Metaweb lanzado en 2007. Freebase fue descrito como "un sistema para construir las sinapsis del cerebro global". Esta enorme base de conocimientos, que se convirtió formalmente en un proyecto de datos abiertos vinculados en 2008, fue uno de los proyectos de datos vinculados más grandes y ambiciosos de su época.
En 2010, Google adquirió base libre de Metaweb e importó la enorme base de conocimientos de Freebase al Knowledge Graph propiedad de Google. Poco después, Google presentó su Knowledge Graph en su famoso 'cosas, no cuerdas' artículo, que indica un giro de la búsqueda léxica a la semántica.
Google Knowledge Graph es un proyecto de Datos Vinculados porque se adhiere a los 4 principios de los Datos Vinculados. Sin embargo, el Gráfico de conocimiento de Google es NO un proyecto de datos abiertos vinculado porque los datos no se publican con una licencia abierta. Dicho esto, es posible encontrar identificadores (URI) para entidades en Google Knowledge Graph y vincularlos a su propio gráfico de conocimiento.
¿Cómo acceder al Gráfico de conocimiento de Google?
El Gráfico de conocimiento de Google tiene una API de búsqueda eso es de solo lectura. Notará que los URI en el resultado están estructurados con un espacio de nombres "kg" (que reemplaza a http://g.co/kg) y /m/ o /g/ antes de una cadena de caracteres. Estos identificadores se denominan "medios" o Identificador de máquinas, que es un término heredado de Freebase.
Por ejemplo, el objeto Freebase para la entidad Barack Obama tiene la mitad /m/02mjmr. Se puede acceder a esta misma entidad en el Gráfico de conocimiento de Google yendo a https://www.google.com/search?kgmid=/m/02mjmr. La entidad tiene el mismo medio en el Knowledge Graph de Google.
¿Cómo se utiliza el Gráfico de conocimiento de Google?
Google utiliza su gráfico de conocimiento para mejorar la experiencia de búsqueda en su motor de búsqueda. Cuando busca algo como "Berkshire Hathaway", Google identifica las entidades en su consulta y proporciona información sobre esas entidades tanto de su gráfico de conocimiento como de otras fuentes en la web. Una de las fuentes más comunes es Wikipedia.
Wikipedia y DBpedia
Wikipedia es una enciclopedia colaborativa en línea gratuita compuesta por más de 61 millones de artículos. Los artículos de Wikipedia representan entidades, como personas, lugares, eventos, conceptos u otras cosas.
Las URL de los artículos de Wikipedia también funcionan como URI de las entidades que representan. Entonces la URL https://en.wikipedia.org/wiki/Kathryn_Janeway es tanto un artículo que se puede visitar en la web como el URI que representa a la entidad, Kathryn Janeway, en la base de conocimientos de Wikipedia.
Los artículos de Wikipedia contienen elementos estructurados, así como enlaces a otras entidades relacionadas. Si bien Wikipedia por sí sola no es un proyecto tradicional de datos vinculados, desempeña un papel importante en el ecosistema de datos vinculados en la web, particularmente con respecto a DBpedia y Wikidata.
DBpedia es un proyecto de datos abiertos vinculados que extrae información de Wikipedia para generar tripletes RDF, que pueden consultarse semánticamente junto con otros conjuntos de datos relacionados. Extrae información de los elementos estructurados de las páginas de Wikipedia, como tablas de "cuadro de información" como esta:
Si bien Wikipedia puede ser una excelente fuente de información resumida para uso general, la profundidad y amplitud de la información en Wikipedia significa que se ha convertido en una fuente esencial de datos de entrenamiento para muchas iniciativas de IA, como el procesamiento del lenguaje natural, el reconocimiento de entidades nombradas y el desarrollo de Gráficos de conocimiento como el Gráfico de conocimiento de Google.
Publicación del director de ingeniería de Wikipedia, Joseph S.; inspirado por https://xkcd.com/2347/
Wikidata
Wikidata es un proyecto colaborativo de datos abiertos vinculados que ha sido operado por la Fundación Wikimedia desde su inicio en 2012 (fuente).
A pesar de tener Wiki en su nombre, Wikidata no es lo mismo que Wikipedia. Wikidata es una base de conocimientos más amplia que Wikipedia y contiene datos sobre una gama más amplia de temas. Wikidata también permite a los usuarios crear datos vinculados RDF directamente.
Aunque Wikidata y DBpedia son proyectos de datos abiertos vinculados relacionados con Wikipedia, tienen diferentes objetivos y cumplir diferentes funciones.
DBpedia extrae información para generar datos vinculados de las fuentes estructuradas de Wikipedia, como cuadros de información. Como resultado, DBpedia trata el conocimiento derivado como hechos.
En lugar de extraer información de Wikipedia, Wikidata crea datos vinculados para Wikipedia (fuente). Dado que Wikidata también trata las declaraciones dentro de los Datos vinculados como afirmaciones en lugar de hechos, estas declaraciones deben anotarse con información de procedencia (es decir, quién hizo cada afirmación).
En lugar de "mid" (identificadores utilizados por Freebase/Knowledge Graph de Google), cada entidad en Wikidata tiene un "qid".
A continuación se muestra un resumen de los identificadores de cada uno de los proyectos de datos vinculados enumerados anteriormente.
Knowledge Graph de Google, Wikipedia y Wikidata son los proyectos de datos vinculados más comunes utilizados en SEO. Cuando hablamos de conectar su Schema Markup a bases de conocimiento externas autorizadas en Schema App, estos son los gráficos de conocimiento externo a los que nos referimos.
Cómo utilizar datos vinculados con la aplicación Schema
En Schema App, nuestras tecnologías semánticas permiten a los equipos de SEO generar fácilmente datos vinculados para el contenido de su sitio web.
Genera URI para tus entidades
Cuando publica su marcado de esquema utilizando el editor de aplicaciones de esquema o el resaltador, nuestra herramienta genera automáticamente URI HTTPS para las entidades que define en su marcado de esquema. Estos URI, que aparecen en el atributo @id, enlazan a las URL de las páginas donde se han mencionado.
Por ejemplo, publicamos el marcado de la organización en la página de inicio de nuestra aplicación Schema. El URI de nuestra entidad Organización sería entonces la URL de nuestra página de inicio + #Organización – https://www.schemaapp.com/#Organization. Si navega a este URI, lo llevará a la página sobre nuestra Organización.
La creación de URI para entidades en su sitio le permite vincular fácilmente esas entidades en su marcado de esquema. Por ejemplo, si su organización ha publicado una entrada de blog, puede vincular el URI de su organización a la propiedad del editor en su marcado de esquema de publicación de blogs.
{ "@context": "http://schema.org/", "@type": "BlogPosting", "@id": "https://www.schemaapp.com/schema-markup/what-is- a-rich-result/#BlogPosting", "url": "https://www.schemaapp.com/schema-markup/what-is-a-rich-result/", "name": "¿Qué es un Rich ¿Resultado?", "headline": "¿Qué es un resultado enriquecido?", "description": "Un resultado enriquecido es un resultado de búsqueda mejorado que se muestra en la página de resultados del motor de búsqueda. Descubra cómo puede lograr un resultado enriquecido para su página. ", "publisher": { "@type": "Organización", "@id": "https://www.schemaapp.com/#Organization",
"url": "https://www.schemaapp.com/", "nombre": "Aplicación de esquema",
"description": "La aplicación Schema es una solución integral de marcado de esquemas...", "teléfono": "18554448624",
"correo electrónico": "support@schemaapp.com",
"areaServed": "http://www.wikidata.org/entity/Q13780930", }}
Vinculación a entidades externas
Nuestras herramientas también permiten a los equipos de SEO vincularse a entidades externas utilizando una variedad de métodos como:
Puedes leer este artículo para conocer más sobre nuestra métodos de vinculación de entidades.
Supere los desafíos de implementar Linked Data
En resumen, Linked Data facilita la conexión de datos de diferentes fuentes para proporcionar a las máquinas más información contextual, permitiéndoles inferir nuevos conocimientos a partir de hechos existentes.
La aplicación de datos vinculados a través del marcado de esquema en su sitio puede ayudar a los motores de búsqueda a comprender la relación entre las entidades de su sitio y eliminar la ambigüedad de las entidades mencionadas en su contenido.
Si necesita ayuda para implementar datos vinculados en su sitio, podemos ayudarlo. En Schema App, brindamos a los equipos de SEO las herramientas y la experiencia para implementar datos vinculados a escala. Ponte en contacto para aprender más
Jasmine es líder de habilitación de productos en Schema App. Schema App es una solución integral de Schema Markup que ayuda a los equipos de SEO empresarial a crear, implementar y administrar Schema Markup para destacarse en la búsqueda.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: https://www.schemaapp.com/schema-markup/linked-data-in-seo-what-you-need-to-know/
