什麼是知識圖譜?實體、關係與搜尋的結構化大腦

更新 2026-10-12

知識圖譜(Knowledge Graph)把資訊組織成「人與機器都能理解資料及其連結」的結構。概念研究已久,2012 年 Google 推出 Knowledge Graph 後用語才廣為人知,搜尋從逐字匹配走向以主題與實體為中心。Google 稱其圖譜含超過 1.6 兆則事實、近 550 億個實體,規模說明它已是現代搜尋與連網資訊的骨幹之一。1

目錄(11)

來源聲明 原文

完整來源聲明

來源聲明:本文根據 WordLift〈What is a Knowledge Graph? A comprehensive Guide〉編譯整理,不是逐句翻譯。WordLift 銷售知識圖譜與結構化資料相關產品,正文會談 schema 與 SEO 效益,請連同利益關係一併閱讀。原文連結:https://wordlift.io/entity/knowledge-graph。文中「編輯解讀」為本站觀點,不屬於原文。

技術定義與組成

學術定義(Linz 大學 Ehrlinger 與 Wöß):知識圖譜把資訊收進本體(ontology),再用推理器推導新知識。實務上,它是現實世界實體與關係的結構化表示:節點是實體,邊是關係,像可對複雜查詢做語意查詢的資料庫。人、組織、地點、產品等概念被整理成實體,彼此用不同關係連起來;現代圖譜常跨領域,例如把產品連到製造商、評論與供應鏈,形成更厚的上下文。

實作上會用機器學習收集並以程式化方式呈現自訂搜尋結果。Google 等會用 JSON API 與 schema.org 標記,讓網站內容能嵌入搜尋結果介面。JSON-LD 已成 schema.org 最常見格式,Google、Microsoft Bing、Yahoo、Yandex 均支援,是網頁結構化資料的共通語言。

研究脈絡上,知識圖譜與 Semantic Web、連結資料、大規模分析、雲端運算常一起出現。SEMANTiCS 會議曾發表〈Towards a Definition of Knowledge Graphs〉,聚焦資料建模與推理。2020 年前後也有研究把圖譜的符號推理與統計式機器學習結合,目標是讓 AI 更可解釋、也更準。

語意網、三元組與機器語言

在 Semantic Web 裡,知識圖譜用少數三元組(主詞—述詞—賓詞)起步,再串成圖。WordLift 舉例:蘇格拉底辯護篇(Apology)這個實體,可表達為「關於 Socrates、作者 Plato、提及 Daemon 與 Socratic dialogue」等關係。圖譜不綁定某一自然語言,而是用開放連結資料這類機器可讀格式,讓不同系統一致交換結構化知識。

想像整站都建在一張大圖上:每篇內容的後設資料描述你寫的「東西」,這張圖再接入更大的網路圖——這是 Semantic Web 願景的簡化說法。今天這層連結資料支撐搜尋、語音助理、推薦與依賴可靠上下文的 AI 應用。

是圖還是表?

作者用 Excel 表類比:每列依共用規則書寫,且列與列之間還有許多連結。家族樹或公司組織圖是直觀的圖示。大規模實務多用 Neo4j、Amazon Neptune、Azure Cosmos DB 等圖資料庫,儲存與查詢數十億節點與邊;Bloom、Graphistry 等工具則讓人可互動探索。

如何運作、如何繪製

一旦實體之間建立關係,機器就能「立刻理解」許多陳述。人讀「Andrea 是 WordLift 的 CEO」能懂;若用 Organization 等 schema 存進圖譜,機器理解更有保證。近年圖譜也進入 RAG(檢索增強生成):把實體關係當結構化上下文餵給大型語言模型,降低幻覺、把輸出錨定在可核對事實上。

繪製建議:從你已描述的實體起步(產品、作者、分類、地點);補圖片與屬性;關係要清楚(例如 organization 銷售 product);用 schema.org 與 JSON-LD 保互通;用視覺化檢查覆蓋率與缺口。文中義大利電商例子:領帶商品節點連到圖片、報價、賣家 Sartoria Scavelli、規格等,搜尋引擎可讀此圖產生豐富商品結果。

機器學習、本體與「不是圖譜」的資料

圖譜因語意關係緊密,常被當高品質訓練資料;也用於 RAG、圖神經網路(GNN)在詐欺、藥物、推薦等場景。安全領域也有 CNAPP 等用連通資料描繪風險依賴——本質上也是關係圖。

本體(ontology)提供規則與詞彙,是抽象模型;知識圖譜是按該模型填好的實例資料。schema.org 是網路上最普及的本體之一;醫療(SNOMED CT、HL7 FHIR)、金融(FIBO)等也有領域本體。靜態產品表或客戶名單若沒有「製造者」「購買者」這類明確關係,就只是平面資料,不算知識圖譜。

Google 與其他大型圖譜

2012 年 Google 把搜尋重心從關鍵字字串轉向實體與主題;Knowledge Graph 支撐知識面板、精選摘要、實體型結果,以及後來的 AI 搜尋體驗(原文寫 SGE)。微軟圖譜服務 Bing、LinkedIn 職涯圖與 Copilot;Meta 把社交圖用於 Facebook、Instagram、Threads 推薦;Amazon 商品圖連結數億 SKU、賣家與評論;Apple 支援 Siri 與 Apple Search;OpenAI 在 RAG 管線使用結構化知識。eBay、IBM Watson Knowledge Catalog 等亦在表中列出。

做 SEO 的人最常對準 Google 圖譜,但 Microsoft 也吃 schema 標記,同一套標記常可同時服務兩邊。Meta、IBM、eBay 等是否直接影響你的自然搜尋,要看業務是否依賴那些平台。

為什麼企業要在意

WordLift 主張結構化資料有助排名與自然流量,電商產品圖譜效益尤其常被強調——這與其產品方向一致,應視為廠商觀點而非第三方實驗。更廣的論點是:圖譜讓資料在組織內可連、可問,保險經紀等可把客戶、保單、理賠關係化以支援決策(原文舉 Abacus Life 為例)。

簡史與展望

關係用圖表達早於網際網路:1735 年 Euler 為 Königsberg 七橋問題建立圖論;1966 年 ELIZA 示範結構化模式支援人機對話;2000 年代 Semantic Web 強調連結開放資料;2012 Google 上線;2020 年代圖譜進入企業資料與 ML 管線。未來方向包括多模態(文字以外連圖像、音訊、影片)、與 AI 更深整合、領域合規圖譜,以及 RDF、OWL、schema.org 等標準的互通治理。

常見問題

  • 知識圖譜和本體差在哪?本體是規則與詞彙的藍圖;知識圖譜是按藍圖填入的真實實體與關係。schema.org 是常見本體,JSON-LD 是常見載體。
  • 只有產品 Excel 算不算?不算。要有實體之間明確、可機讀的關係,目的在產生上下文與意義,不是只存欄位。
  • Google 說的規模是多少?原文寫超過 1.6 兆則事實、近 550 億實體,是 Google 公開敘述的數量級,會隨時間更新。
  • RAG 和圖譜怎麼一起用?用圖譜或結構化標記提供可檢索的實體關係,再餵給 LLM 當上下文,讓回答 anchored 在事實上,降低胡編。
  • SEO 只要做 Google 嗎?原文建議 Google 為主,但 Bing/LinkedIn 等也受益於 schema;是否擴到其他平台取決於流量與品牌是否在那些生態經營。

編輯解讀

一句話重點:知識圖譜是「實體+關係」的可機讀網路;SEO 上它是讓搜尋理解你站內「誰是誰、和誰有關」的基礎,但廠商說的「必漲排名」仍要你用 GSC 與實驗自己驗。

這對你的網站意味著什麼:

  • 先對齊核心實體(品牌、產品、人物、地點)的穩定 URL 與可見事實,再補 JSON-LD,避免只有標記、正文對不上。
  • 從你已經在維護的 catalog 或 CMS 欄位畫關係,不要一次虛構整張圖。
  • 讀 WordLift 類內容時,把「結構化資料=流量」當假設,用排名與富結果報表驗證。

適用與不適用的情境:適合實體清楚、重複出現的電商、出版、本地商家。不適合沒有可靠事實來源、卻想靠標記堆 E-E-A-T 的薄站。

需要注意的限制:WordLift 賣知識圖譜工具,文中 SEO 與流量表述帶產品利益。1.6T/550 億等數字來自 Google 敘述,非 WordLift 實測。SGE 等產品名稱會隨 Google 改版而變。

延伸閱讀:

可複用規則3 條

從本文提煉,可供人工對照或 AI 分析站點時作為依據。全部規則

  1. 知識圖譜用實體與關係組織事實;站內內容應讓「誰/什麼/與誰相關」可被核對。

    適用 建構品牌或產品知識層時
    排除 不要只貼 JSON-LD 卻無可見事實對應
    • 關鍵實體有穩定介紹頁
    • 關係在正文說得清楚
  2. 先定本體/schema 詞彙,再填實例資料;平面產品表沒有關係邊就不算知識圖譜。

    適用 規劃結構化資料專案時
    排除 不要跳過關係定義直接量產標記
    • 主詞—述詞—賓詞可列舉
    • JSON-LD 與可見內容一致
  3. 結構化資料廠商常宣稱必漲排名;用 GSC、富結果與對照實驗驗證,勿當保證。

    適用 採購 WordLift 類工具或外包標記時
    排除 不要無事實來源堆 schema 撐 E-E-A-T
    • 富結果報表有追蹤
    • 標記錯誤已修正

名詞與資料來源

  1. 知識圖譜概論 — WordLift:〈What is a Knowledge Graph?〉 https://wordlift.io/entity/knowledge-graph(檢索日期:2026-10-12)
  2. schema.org 與 JSON-LD — schema.org 官方文件 https://schema.org(檢索日期:2026-10-12)