Home
← กลับสู่คลังความรู้สิทธิบัตร Google Search Patents
ความสำคัญของ Schema Markup ต่อ AI Search ในยุคปัจจุบันได้ก้าวข้ามการเป็นเพียงเครื่องมือสร้างดาวรีวิวหรือกล่องคำถามพบบ่อย (Rich Snippets) ไปสู่การเป็น ‘ภาษาข้อมูลปฐมภูมิ’ ที่ปัญญาประดิษฐ์และระบบค้นหาใช้ในการแยกแยะตัวตนและระบุ ‘เอนทิตีแกนหลัก’ (Central Entities) ของเว็บไซต์ ตามที่ได้รับการเปิดเผยอย่างเป็นทางการในสิทธิบัตร Google หมายเลข US 9,009,192 B1
| ข้อมูลสิทธิบัตร (Patent Specification) | รายละเอียดทางเทคนิค |
|---|---|
| หมายเลขสิทธิบัตร (Patent Number) | US 9,009,192 B1 (อนุมัติอย่างเป็นทางการโดย USPTO) |
| ชื่อทางวิศวกรรม (Invention Title) | Identifying central entities |
| ชื่อภาษาไทยเชิงประยุกต์ | สิทธิบัตรการวิเคราะห์และระบุแอนทิตีแกนหลัก (Central Entities Identifier) |
| หมวดหมู่เทคโนโลยี | Semantic Search, Knowledge Graph & Entity Indexing |
| เอกสารอ้างอิงปฐมภูมิ (Primary Source) | Google Patents US9009192B1 |
1. นิยามและจุดเปลี่ยน: จาก Keyword Matching สู่ Entity-Based Indexing
ในอดีต Google ประมวลผลหน้าเว็บจากการจับคู่สตริงข้อความ (Exact Match String) แต่ในยุค AI Search ระบบได้เปลี่ยนผ่านสู่การประมวลผลแบบ Entity-Based Indexing โดยมองโลกเป็น ‘สิ่งต่างๆ ที่มีความสัมพันธ์กัน’ (Things, not strings) สิทธิบัตร US 9,009,192 B1 อธิบายถึงกลไกการสกัดเอนทิตีออกจากหน้าเว็บ เพื่อแปลงข้อความที่ไร้โครงสร้าง (Unstructured Text) ให้กลายเป็นโครงข่ายข้อมูลทางคณิตศาสตร์ที่มีความสัมพันธ์ชัดเจน
| มิติการประมวลผล | ข้อความทั่วไปไร้โครงสร้าง (Unstructured Text) | ข้อมูลที่ฝัง Schema Graph (Structured Data) |
|---|---|---|
| ความเร็วในการอ่านของ AI | ช้า ต้องใช้ทรัพยากร NLP และ RAG ถอดรหัส | ประมวลผลได้ทันทีในระดับมิลลิวินาที (Zero Latency) |
| ความเสี่ยงเรื่องความคลาดเคลื่อน | สูง เสี่ยงต่อปัญหา AI Hallucination | แม่นยำสูง เพราะมีความสัมพันธ์ Node และ Edge ชัดเจน |
| บทบาทใน Second-Wave Validation | ต้องรอการคำนวณในด่านที่สอง (LLM Layer) | ผ่านการอนุมัติในด่านแรกทันที (Validation Layer 1) |
| โอกาสได้รับเลือกเป็น AI Citation | ปานกลาง ขึ้นอยู่กับความยาวและความเกี่ยวข้อง | สูงมาก เพราะระบบให้ค่าความมั่นใจ (Confidence Score) สูงสุด |
2. สถาปัตยกรรมการระบุแอนทิตีแกนหลัก (Central Entities Architecture)
ตามข้อกำหนดในสิทธิบัตร Google จะดำเนินการแยกแยะเอนทิตีแกนหลักของหน้าเว็บผ่าน 4 ขั้นตอนทางวิศวกรรมข้อมูลดังต่อไปนี้:
(Named Entity Recognition – NER)”] –> B[“2. กรองและเชื่อมโยงกับ Global Entity Graph
(Knowledge Graph Node & Edge Matching)”] B –> C[“3. ขจัดแอนทิตีลอยตัวที่ไม่มีเส้นเชื่อมความสัมพันธ์
(Removing Unconnected & Orphan Nodes)”] C –> D[“4. สรุปแอนทิตีแกนหลักที่มีน้ำหนักความเกี่ยวข้องสูงสุด
(Central Entities สำหรับนำไปแสดงใน AI Search)”]
เฟสที่ 1: การค้นหา Candidate Entities จากหน้าเอกสาร
เมื่อบอทเข้ามาสแกนเนื้อหา ระบบจะใช้ Named Entity Recognition (NER) ในการสกัดชื่อเฉพาะ เช่น ชื่อบุคคล องค์กร แบรนด์ ผลิตภัณฑ์ และคำศัพท์เฉพาะทาง เพื่อจัดทำเป็นรายชื่อ ‘แอนทิตีผู้สมัคร’ (Candidate Entities) ประจำหน้าเอกสาร
เฟสที่ 2: การกรองและเชื่อมโยงกับ Global Entity Graph
นำรายชื่อเอนทิตีที่ได้ไปจับคู่กับฐานข้อมูลกราฟความรู้ระดับสากล (Global Entity Graph) ของ Google เพื่อดูว่าคำเหล่านั้นมีตัวตนในระบบและมีความเชื่อมโยงกับแนวคิดใดบ้าง การมี Schema Markup จะช่วยระบุจุดเชื่อมต่อ (Node) และประเภทความสัมพันธ์ (Edge) ให้แก่ระบบได้ในทันที
เฟสที่ 3: การขจัด Orphan Nodes และการปราบปรามคีย์เวิร์ดลอยตัว
ระบบจะทำการลบเอนทิตีที่ปรากฏขึ้นมาแบบลอยๆ และไม่มีเส้นเชื่อมโยงสัมพันธ์กับเนื้อหาส่วนอื่น (Removing nodes that do not have outgoing edges) วิธีการนี้ช่วยป้องกันเว็บไซต์สแปมที่พยายามแทรกคำค้นหายอดนิยมที่ไม่เกี่ยวข้องลงในหน้าเว็บ
เฟสที่ 4: การสร้าง Second Entity Graph และคำนวณหาน้ำหนักความสัมพันธ์
Google จะสร้างกราฟความสัมพันธ์เฉพาะของหน้านั้นขึ้นมา (Second Entity Graph) เพื่อคำนวณหาน้ำหนักความสำคัญ จุดเชื่อมต่อที่มีความหนาแน่นของความสัมพันธ์สูงสุดจะได้รับการระบุให้เป็น ‘Central Entity’ ซึ่งระบบจะใช้เป็นแกนหลักในการจับคู่กับการค้นหาของผู้ใช้และส่งต่อให้ AI สรุปคำตอบ
3. Second-Wave Validation: กลไกประหยัดพลังงานและการกรองความน่าเชื่อถือของ AI
เนื่องจากการใช้โมเดลภาษาขนาดใหญ่ (LLMs) ประมวลผลข้อความทุกหน้าบนอินเทอร์เน็ตต้องสิ้นเปลืองพลังงานเซิร์ฟเวอร์มหาศาล วิศวกรของ Google จึงสร้างกลไกตรวจสอบ 2 ระดับ หรือ Second-Wave Validation ขึ้นมา:
ด่านที่ 1: Validation Layer 1 ผ่าน Schema & Structured Data
เมื่อ Google Bot เข้ามาสแกน ระบบจะอ่านข้อมูล Schema Markup รูปแบบ JSON-LD ก่อนเสมอ เพราะข้อมูลส่วนนี้ถูกจัดระเบียบไว้อย่างสมบูรณ์ บอทสามารถระบุเอนทิตีหลัก ผู้เขียน และองค์กรได้ทันทีโดยไม่ต้องเสียเวลาประมวลผลภาษาธรรมชาติ
ด่านที่ 2: Validation Layer 2 ผ่านโมเดลภาษา LLMs
เมื่อหน้าเว็บผ่านการยืนยันในด่านแรกแล้ว เนื้อหาที่เกี่ยวข้องกับเอนทิตีแกนหลักจึงจะถูกส่งต่อไปยังโมเดลภาษา (LLMs) เพื่อสังเคราะห์เป็นคำตอบภาษาธรรมชาติใน Google AI Overviews เว็บไซต์ที่มี Schema ครบถ้วนจึงเปรียบเสมือนการได้รับ ‘Fast-Track Pass’ เข้าสู่กระบวนการสรุปคำตอบของ AI
4. ถอดรหัสข้อถือสิทธิหลัก Claim 1 จากเอกสารสิทธิบัตร USPTO
หลักฐานยืนยันความถูกต้องตามเอกสารสิทธิบัตร US 9,009,192 B1 ข้อถือสิทธิ Claim 1 ระบุไว้ว่า:
“What is claimed is: 1. A method implemented by one or more computers, the method comprising: obtaining candidate entities for a first resource; filtering a first entity graph whose nodes represent different entities found in a plurality of resources to remove nodes that do not correspond to a candidate entity, wherein pairs of nodes in the first entity graph are connected by edges; generating a second entity graph for the first resource from the filtered first entity graph, wherein generating the second entity graph comprises removing nodes from the filtered first entity graph that do not have any outgoing edges; and identifying one or more of the candidate entities as being central entities using the second entity graph.”
นี่คือข้อพิสูจน์ชัดเจนว่า การทำ On-Page SEO สมัยใหม่ต้องมุ่งเน้นการสร้างความสัมพันธ์ของเอนทิตีอย่างเป็นระบบ การติดตั้ง Schema Markup เชิงลึกที่มีฟิลด์ about, mentions และ sameAs ชี้ไปยังแหล่งข้อมูลที่น่าเชื่อถือ จะช่วยเสริมความแข็งแกร่งให้แก่กราฟความรู้ของเว็บไซต์คุณ
5. คำถามที่พบบ่อยเกี่ยวกับ Schema Markup และ AI Search (FAQ)
ทำไมเว็บไซต์ที่ไม่มี Schema Markup จึงเสี่ยงต่อการถูก AI Search มองข้าม?
เพราะโมเดล AI Search เช่น Google AI Overviews และ Perplexity ต้องประมวลผลข้อมูลนับล้านหน้าพร้อมกัน การอ่านข้อความที่ไม่มีโครงสร้าง (Unstructured Text) ต้องใช้ทรัพยากรการคำนวณสูงและเสี่ยงต่อการเข้าใจผิด เว็บไซต์ที่มี Schema Markup ชัดเจนจะช่วยให้บอทระบุเอนทิตีและความสัมพันธ์ได้ทันทีในด่านแรก (Validation Layer 1) ทำให้ได้รับค่า Confidence Score สูงกว่า
รูปแบบ Schema ชนิดใดบ้างที่จำเป็นต้องติดตั้งเป็นอันดับแรกสำหรับ AI Search?
ควรติดตั้ง 4 ประเภทหลัก: 1) Organization / Brand Schema พร้อมฟิลด์ sameAs เพื่อยืนยันตัวตน 2) Person / Author Schema เพื่อรองรับเกณฑ์ E-E-A-T 3) Article หรือ TechArticle เพื่อระบุหัวข้อและเอนทิตีหลัก และ 4) FAQPage Schema เพื่อป้อนคำถาม-คำตอบแบบ Direct Answer ให้ AI ดึงไปสังเคราะห์ได้ง่าย
การใส่ฟิลด์ sameAs ชี้ไปยังวิกิพีเดียหรือโซเชียลมีเดียมีประโยชน์ต่อคะแนนความมั่นใจอย่างไร?
ฟิลด์ sameAs ทำหน้าที่เป็น ‘เส้นเชื่อมความสัมพันธ์’ (Edge) ในกราฟความรู้ (Global Entity Graph) ช่วยให้กูเกิลยืนยันได้ทันทีว่าเอนทิตีที่กล่าวถึงในเว็บไซต์คือสิ่งเดียวกันกับเอนทิตีสากลที่มีชื่อเสียง การทำเช่นนี้ช่วยลดปัญหาความคลุมเครือ (Entity Disambiguation) และเพิ่มความน่าเชื่อถือให้แก่แบรนด์อย่างมหาศาล
จะตรวจสอบได้อย่างไรว่า Schema Graph ของเราเชื่อมต่อกับเอนทิตีของ Google ถูกต้องแล้ว?
สามารถตรวจสอบได้ผ่านเครื่องมือ Google Rich Results Test และ Schema.org Validator เพื่อดูว่าโครงสร้าง JSON-LD ไม่มี Syntax Error และตรวจสอบการปรากฏตัวของแบรนด์ใน Google Knowledge Panel รวมถึงการมอนิเตอร์ผ่าน Google Search Console ในส่วนแท็บ Enhancements
6. ปรึกษาการวางระบบ Entity Schema Graph และ AI Search กับ Warrior
การวางโครงสร้าง Schema Markup แบบ Entity Graph ที่สมบูรณ์แบบต้องอาศัยความเข้าใจทั้งในด้านไวยากรณ์โค้ดและสถาปัตยกรรมข้อมูลของ Google การเปลี่ยนผ่านสู่ Entity-Based SEO จะช่วยปกป้องอันดับเว็บไซต์ของคุณให้มั่นคงและพร้อมสำหรับการเติบโตในยุค AI
หากธุรกิจของคุณต้องการวางระบบ On-Page SEO และการติดตั้ง Schema Markup ระดับสูง สามารถปรึกษาทีมงานผู้เชี่ยวชาญได้ที่ บริการที่ปรึกษา SEO หรือหากต้องการวางสถาปัตยกรรมข้อมูลเพื่อการแสดงผลบน Google AI Overviews และ Generative Engine Optimization โดยเฉพาะ สามารถดูรายละเอียดเพิ่มเติมได้ที่ บริการที่ปรึกษา AI Search & GEO เพื่อสร้างความได้เปรียบทางการแข่งขันอย่างยั่งยืน
