🤫 درباره یه پتنت جدید مایکروسافت که به دنیای GEO ربط داره ...
🔔 ماجرا چیه؟
تو یه پتنت مایکروسافت که توضیح میده چطور سیستمهای RAG (یعنی سیستمهایی مثل ChatGPT که قبل از جواب دادن، اول اطلاعات رو از یه منبع میکشن بیرون) میتونن دقیقتر و بدون شلوغی جواب بدن — با استفاده از یه knowledge graph (گراف دانش، یعنی یه شبکه از موجودیتها و رابطههاشون، مثلا "رستوران X" → "واقع در" → "تهران").
👀 فرآیندش چطوریه؟
فرض کن یه نفر از ChatGPT میپرسه: "بهترین رستوران ایتالیایی نزدیک میدون ونک کجاست؟"
۱. اول سیستم یه سرچ وب معمولی میزنه و بعد اسمهای خاص (موجودیتها) رو ازش استخراج میکنه — مثلاً اسم رستورانها، محلهها
۲. یه LLM اول یه کوئری هدفمند میسازه، مثلاً "رستورانهای ایتالیایی + نزدیک ونک + امتیاز بالا"
۳. این کوئری میره تو گراف دانش و فقط اطلاعات دقیق مربوطه رو برمیگردونه (نه کل صفحه وب، فقط مثلاً: اسم، امتیاز، آدرس، ساعت کاری)
۴. یه LLM دوم این دادههای تمیز رو میگیره و یه جواب طبیعی و مستند تولید میکنه
۵. اگه کاربر سوال بعدی بپرسه (مثلاً "ساعت کاریش چیه؟")، سیستم از همون دادههای قبلی جواب میده، دیگه سرچ جدید نمیزنه
❓یعنی چی برای کار سئو/GEO؟
- دیگه فقط "صفحهت بالا بیاد" کافی نیست؛ باید برند/کسبوکارت به عنوان یه موجودیت مشخص (Entity) تو گراف دانش شناخته بشه — با اسم استاندارد و Schema.org درست
- باید دادههای دقیق و ساختاریافته بدی (قیمت، امتیاز، آدرس، ساعت کاری) نه فقط متن تعریفی
- باید رابطههای محتوایی بسازی (مثلاً "این رستوران غذای ایتالیایی سرو میکنه"، "نزدیک فلان مکانه") از طریق لینکسازی داخلی و دیتای ساختاریافته
- خیلی وقتا باید مستقیم به منابع عمومی مثل ویکیدیتا، گوگل بیزینس پروفایل و Crunchbase اطلاعات بدی — چون بعضی وقتا سیستم اصلاً میره سراغ خودِ سایتت رو نگاه نمیکنه!
- ولی سئوی سنتی هنوز پایه کاره: چون قدم اول همون سرچ وب معمولیه، اگه اونجا نباشی، اصلاً وارد این فرآیند نمیشی
✔️این پتنت نشون میده آینده GEO فقط رتبه گرفتن نیست، بلکه "موجودیتسازی" (Entity Building) و دیتای ساختاریافته دقیق هم خیلی مهم میشه — چون هوش مصنوعی داره مستقیم با گراف دانش کار میکنه، نه فقط با صفحات وب خام.
❗️گروه آموزشی سئوگل صفاکرم
🔔 ماجرا چیه؟
تو یه پتنت مایکروسافت که توضیح میده چطور سیستمهای RAG (یعنی سیستمهایی مثل ChatGPT که قبل از جواب دادن، اول اطلاعات رو از یه منبع میکشن بیرون) میتونن دقیقتر و بدون شلوغی جواب بدن — با استفاده از یه knowledge graph (گراف دانش، یعنی یه شبکه از موجودیتها و رابطههاشون، مثلا "رستوران X" → "واقع در" → "تهران").
👀 فرآیندش چطوریه؟
فرض کن یه نفر از ChatGPT میپرسه: "بهترین رستوران ایتالیایی نزدیک میدون ونک کجاست؟"
۱. اول سیستم یه سرچ وب معمولی میزنه و بعد اسمهای خاص (موجودیتها) رو ازش استخراج میکنه — مثلاً اسم رستورانها، محلهها
۲. یه LLM اول یه کوئری هدفمند میسازه، مثلاً "رستورانهای ایتالیایی + نزدیک ونک + امتیاز بالا"
۳. این کوئری میره تو گراف دانش و فقط اطلاعات دقیق مربوطه رو برمیگردونه (نه کل صفحه وب، فقط مثلاً: اسم، امتیاز، آدرس، ساعت کاری)
۴. یه LLM دوم این دادههای تمیز رو میگیره و یه جواب طبیعی و مستند تولید میکنه
۵. اگه کاربر سوال بعدی بپرسه (مثلاً "ساعت کاریش چیه؟")، سیستم از همون دادههای قبلی جواب میده، دیگه سرچ جدید نمیزنه
❓یعنی چی برای کار سئو/GEO؟
- دیگه فقط "صفحهت بالا بیاد" کافی نیست؛ باید برند/کسبوکارت به عنوان یه موجودیت مشخص (Entity) تو گراف دانش شناخته بشه — با اسم استاندارد و Schema.org درست
- باید دادههای دقیق و ساختاریافته بدی (قیمت، امتیاز، آدرس، ساعت کاری) نه فقط متن تعریفی
- باید رابطههای محتوایی بسازی (مثلاً "این رستوران غذای ایتالیایی سرو میکنه"، "نزدیک فلان مکانه") از طریق لینکسازی داخلی و دیتای ساختاریافته
- خیلی وقتا باید مستقیم به منابع عمومی مثل ویکیدیتا، گوگل بیزینس پروفایل و Crunchbase اطلاعات بدی — چون بعضی وقتا سیستم اصلاً میره سراغ خودِ سایتت رو نگاه نمیکنه!
- ولی سئوی سنتی هنوز پایه کاره: چون قدم اول همون سرچ وب معمولیه، اگه اونجا نباشی، اصلاً وارد این فرآیند نمیشی
✔️این پتنت نشون میده آینده GEO فقط رتبه گرفتن نیست، بلکه "موجودیتسازی" (Entity Building) و دیتای ساختاریافته دقیق هم خیلی مهم میشه — چون هوش مصنوعی داره مستقیم با گراف دانش کار میکنه، نه فقط با صفحات وب خام.
❗️گروه آموزشی سئوگل صفاکرم