Knowledge graphs en entity disambiguation: zo word je de juiste entiteit

Wat is een knowledge graph en waarom is het belangrijk?

Een knowledge graph is een gestructureerde database van entiteiten en hun onderlinge relaties. Google's Knowledge Graph, Wikidata, DBpedia en de interne kennisbanken van grote taalmodellen zijn allemaal voorbeelden van knowledge graphs. Wanneer je aan ChatGPT vraagt "Wie is de CEO van Apple?", zoekt het model niet simpelweg naar die woorden op een webpagina. Het raadpleegt een intern model van entiteiten waarin "Apple Inc." verbonden is met "Tim Cook" via de relatie "CEO". Die structuur maakt het mogelijk om precieze, contextueel correcte antwoorden te geven.

Voor bedrijven en professionals die zichtbaar willen zijn in AI-gegenereerde antwoorden is dit fundamenteel. Als een AI-model jouw organisatie niet als aparte entiteit herkent in zijn knowledge graph, of erger nog, jouw naam verwart met een andere entiteit, dan word je simpelweg niet geciteerd. Entity disambiguation is het proces waarmee je ervoor zorgt dat AI-modellen jouw merk, persoon of organisatie correct identificeren en onderscheiden van naamgenoten.

Dit sluit direct aan bij de principes van Answer Engine Optimization. Waar traditionele SEO zich richt op trefwoorden en rankings, gaat AEO over het machine-leesbaar maken van je identiteit. Knowledge graphs zijn het mechanisme waarmee AI-modellen die identiteit vastleggen en benutten bij het genereren van antwoorden.

Hoe knowledge graphs entiteiten modelleren

Een knowledge graph werkt met drie basiselementen: entiteiten (nodes), relaties (edges) en attributen (properties). Een entiteit kan een persoon, organisatie, plaats, concept of product zijn. Relaties beschrijven hoe entiteiten met elkaar verbonden zijn. Attributen geven aanvullende informatie over een entiteit, zoals een oprichtingsdatum, locatie of beschrijving.

# Voorbeeld van entiteiten en relaties in een knowledge graph\n\nEntiteit: "Kobalt"\n  Type: Organization\n  Attributen:\n    - foundingDate: "2015"\n    - location: "Nederland"\n    - industry: "Digital Marketing"\n  Relaties:\n    - offers: "AEO Consultancy"\n    - offers: "SEO Strategie"\n    - sameAs: "https://www.wikidata.org/wiki/Q..."\n    - sameAs: "https://www.linkedin.com/company/kobalt-digital"\n\nEntiteit: "AEO Consultancy"\n  Type: Service\n  Relaties:\n    - providedBy: "Kobalt"\n    - relatedTo: "Answer Engine Optimization"

Het cruciale punt voor entity disambiguation is dat namen niet uniek zijn. "Apple" kan verwijzen naar het technologiebedrijf, de vrucht of het platenlabel van The Beatles. "Mercury" kan een planeet, een auto, een element of een muzikant zijn. AI-modellen moeten bij elke vermelding bepalen welke entiteit bedoeld wordt. Dit doen ze door context te analyseren en die context te matchen met bekende entiteiten in hun knowledge graph.

Hoe meer gestructureerde data je biedt, hoe eenvoudiger het voor AI-modellen wordt om jouw entiteit correct te identificeren. Dit is precies waarom Schema.org markup zo waardevol is: het levert de machine-leesbare context die knowledge graphs nodig hebben om entiteiten te disambigueren.

De rol van sameAs en identifiers bij disambiguatie

De meest directe manier om entity disambiguation te ondersteunen is het gebruik van sameAs-links en unieke identifiers. Een sameAs-link vertelt AI-modellen: "Deze entiteit op mijn website is dezelfde als deze entiteit in Wikidata, LinkedIn, de Kamer van Koophandel, enzovoort." Door meerdere sameAs-links te combineren, creeer je een web van bevestigingen dat jouw identiteit ondubbelzinnig vastlegt.

<script type="application/ld+json">\n{\n  "@context": "https://schema.org",\n  "@type": "Organization",\n  "name": "Kobalt",\n  "url": "https://www.kobaltdigital.nl",\n  "sameAs": [\n    "https://www.linkedin.com/company/kobalt-digital",\n    "https://twitter.com/kobaltdigital",\n    "https://www.wikidata.org/wiki/Q...",\n    "https://www.kvk.nl/..."\n  ],\n  "identifier": {\n    "@type": "PropertyValue",\n    "name": "KVK-nummer",\n    "value": "12345678"\n  },\n  "description": "AEO en SEO consultancy bureau gespecialiseerd in AI-zichtbaarheid"\n}\n</script>

In ons artikel over sameAs-links en digitale identiteit bespreken we uitgebreid hoe je deze links strategisch inzet. Voor knowledge graph disambiguatie zijn sameAs-links het meest directe en krachtige instrument dat je tot je beschikking hebt.

• Wikidata-links zijn het sterkst voor disambiguatie omdat Wikidata fungeert als hub tussen knowledge graphs.
• LinkedIn bedrijfspagina's bevestigen je organisatie-identiteit en koppelen deze aan medewerkers en activiteiten.
• Officieel registratienummers (KvK, DUNS, LEI) bieden juridisch verifieerbare identifiers.
• Consistente NAP-gegevens (Naam, Adres, Postcode) over alle platformen versterken de herkenning.
• Branded social media profielen vormen aanvullende ankerpunten in het knowledge graph netwerk.

Een Wikidata-entiteit aanmaken voor je organisatie

Een van de meest impactvolle stappen die je kunt nemen voor entity disambiguation is het aanmaken van een Wikidata-entiteit voor je organisatie. Wikidata is de open knowledge graph achter Wikipedia en wordt door vrijwel alle grote AI-modellen gebruikt als referentiebron. Een Wikidata-entiteit geeft je een unieke identifier (een Q-nummer) die fungeert als universeel paspoort voor je organisatie in het web van knowledge graphs.

Het aanmaken van een Wikidata-entiteit is gratis en relatief eenvoudig, mits je organisatie voldoet aan de notabiliteitsrichtlijnen. Je hebt minimaal een onafhankelijke bron nodig die je organisatie vermeldt, zoals een nieuwsartikel, een branchevermelding of een overheidsregistratie. Zorg ervoor dat je bij het aanmaken alle relevante attributen invult: officieel naam, oprichtingsdatum, land, sector, website en alle beschikbare identifiers.

Schema.org markup voor maximale disambiguatie

Naast externe knowledge graph vermeldingen is de Schema.org markup op je eigen website een cruciaal instrument voor entity disambiguation. Door gedetailleerde structured data te implementeren, geef je AI-modellen de context die ze nodig hebben om jouw entiteit correct te identificeren, zelfs wanneer je naam niet uniek is.

<script type="application/ld+json">\n{\n  "@context": "https://schema.org",\n  "@type": "Person",\n  "name": "Jan de Vries",\n  "disambiguatingDescription": "Digital marketing specialist en AEO consultant bij Kobalt",\n  "jobTitle": "Senior AEO Consultant",\n  "worksFor": {\n    "@type": "Organization",\n    "name": "Kobalt",\n    "url": "https://www.kobaltdigital.nl"\n  },\n  "sameAs": [\n    "https://www.linkedin.com/in/jandevries-aeo",\n    "https://twitter.com/jandevries_aeo",\n    "https://orcid.org/0000-0000-0000-0000"\n  ],\n  "knowsAbout": [\n    "Answer Engine Optimization",\n    "Schema.org markup",\n    "Knowledge graphs"\n  ]\n}\n</script>

Let op het veld "disambiguatingDescription". Dit is een Schema.org property die specifiek ontworpen is voor entity disambiguation. Het biedt een korte beschrijving die jouw entiteit onderscheidt van andere entiteiten met dezelfde naam. Voor een persoon als "Jan de Vries" (een veelvoorkomende naam) is deze beschrijving essentieel om verwarring te voorkomen.

Combineer Schema.org markup altijd met een consistente E-E-A-T strategie. Auteurpagina's met gedetailleerde biografieen, publicatielijsten en credentials versterken de entity disambiguation voor personen. Voor organisaties zijn "Over ons" pagina's met bedrijfsgeschiedenis, teamprofielen en certificeringen vergelijkbare versterkende signalen.

Veelgemaakte fouten bij entity disambiguation

1. Geen sameAs-links implementeren. Zonder expliciete koppelingen naar externe knowledge graphs moet een AI-model raden welke entiteit je bent.
2. Inconsistente naamgeving over platformen. Als je bedrijf op LinkedIn "Kobalt B.V." heet, op je website "Kobalt" en in de KvK "Kobalt", creeer je onnodige verwarring.
3. Geen disambiguatingDescription gebruiken. Vooral bij veelvoorkomende namen is dit veld cruciaal om verwarring te voorkomen.
4. Wikidata negeren. Wikidata is de meest gebruikte open knowledge graph ter wereld. Afwezigheid daar is een gemiste kans.
5. Enkel op Google's Knowledge Panel vertrouwen. Google's Knowledge Panel is slechts een visualisatie, geen bron. Focus op de onderliggende data in Wikidata, Schema.org en consistente vermeldingen.

Samenvatting

• Knowledge graphs zijn de ruggengraat van hoe AI-modellen entiteiten herkennen, onderscheiden en citeren in hun antwoorden.
• Entity disambiguation voorkomt dat jouw merk of persoon verward wordt met naamgenoten, wat directe impact heeft op AI-zichtbaarheid.
• sameAs-links naar Wikidata, LinkedIn en officiele registers zijn het krachtigste disambiguatie-instrument.
• Het aanmaken van een Wikidata-entiteit geeft je een universele identifier die door vrijwel alle AI-modellen wordt herkend.
• Combineer Schema.org markup met disambiguatingDescription, consistente naamgeving en een sterke E-E-A-T strategie voor maximale herkenbaarheid.

Veelgestelde vragen

In een wereld waar AI-modellen het antwoord zijn, is het niet genoeg om gevonden te worden. Je moet herkend worden als de juiste entiteit.