Knowledge Graph e entidades

O que é um Knowledge Graph?

Um grafo de conhecimento guarda fatos como ligações entre entidades: uma pessoa fundou uma empresa, a empresa fica em uma cidade, um livro tem um autor. Em 16 de maio de 2012, o Google apresentou o seu Knowledge Graph em um texto assinado por Amit Singhal, então vice-presidente sênior de engenharia, e o descreveu como um modelo de pessoas, lugares e obras do mundo real que ajuda a busca a entender coisas e não apenas sequências de letras. Na época, o texto citava mais de 500 milhões de objetos e 3,5 bilhões de fatos. Os números atuais não são públicos nessa fonte e não são usados aqui.

A ideia é mais antiga que o Google. O W3C descreve a web semântica como uma estrutura comum que permite que dados sejam compartilhados e reutilizados entre aplicações, baseada no RDF. Schema.org, JSON-LD e bases abertas como a Wikidata são partes dessa tradição. Em recuperação de informação, que Manning, Raghavan e Schütze tratam no livro Introduction to Information Retrieval (2008), o tema é encontrar o material relevante em grandes coleções, e a entidade ajuda a separar significados parecidos.

O que é uma entidade e por que isso importa para IA?

Entidade é a coisa identificável a que um termo se refere. "Mercúrio" pode ser planeta, elemento ou cantor. Um sistema que responde perguntas precisa escolher qual. Para uma marca, o risco é a confusão com homônimos, dados antigos ou descrições feitas por terceiros. Um assistente que não consegue distinguir a empresa responde de forma vaga ou erra.

O Google não publica o modo exato como seus sistemas decidem quais entidades entram no grafo, nem as demais plataformas. Por isso a abordagem do LLM Seeding™ é trabalhar o que está sob controle de quem publica: identificação clara, dados consistentes e fontes verificáveis. É o que o criador do método, Camillo Dantas, chama de entidade semanticamente estruturada, tema também tratado na página Schema e entidade.

Como uma marca ajuda a ser identificada?

1. Nome por extenso e descrição única. A mesma frase de apresentação em toda parte: nome, o que faz, onde atua.
2. Página institucional estável. Uma URL que reúne quem é, quem fundou, endereço e contato.
3. Dados estruturados coerentes. Organization ou Person com @id próprio e sameAs para perfis reais. O Google exige que a marcação represente o que está visível na página.
4. Fontes externas consistentes. Perfis profissionais, diretórios e imprensa com os mesmos fatos. Ver fontes externas.
5. Wikidata e Wikipédia, com cautela. Só quando houver notoriedade e fontes independentes, e sempre com declaração de conflito de interesse. Criar entrada sem esses critérios costuma ser removido.
6. Separar homônimos. Se existe outra entidade com o mesmo nome, torne a diferença explícita com cidade, setor e data de fundação.

Passo a passo com critério de sucesso

1. 01Liste as entidades do negócio. Marca, fundadores, produtos principais, local. Critério: uma planilha com nome oficial, descrição de uma frase e URL canônica de cada um.
2. 02Pesquise cada nome em quatro assistentes. Anote como cada um descreve a entidade. Critério: respostas guardadas com data.
3. 03Identifique divergências. Compare com a ficha oficial. Critério: lista de erros com a fonte provável de cada um.
4. 04Corrija a fonte, não o assistente. Atualize o perfil, o diretório ou a página que originou o erro. Critério: a fonte mostra o dado correto.
5. 05Publique o schema de entidade. Critério: validação sem erros e correspondência com o texto visível.
6. 06Repita em 30 dias. Critério: a lista de divergências diminuiu, sem promessa de que desapareça.

Exemplo

Simulação, não é caso real. A Padaria Modelo, em uma cidade fictícia, é confundida com uma homônima de outro estado. A auditoria mostra que o diretório local lista o endereço antigo e que o site não traz a cidade na primeira frase. A correção atualiza o diretório, inclui a cidade na descrição de uma frase e publica Organization com endereço e sameAs. Em uma nova rodada, os assistentes citam a cidade correta em parte das respostas. O resultado depende de reindexação e não é garantido.

Erros comuns

• Inventar perfis só para encher o sameAs. Link para conta abandonada ou de outra pessoa enfraquece a identificação.
• Tentar entrar no Wikidata sem fontes independentes. Ver as regras de notoriedade e de conflito de interesse no guia de fontes externas.
• Mudar o nome da marca em cada canal. Variações de grafia criam entidades diferentes para um sistema.
• Usar o grafo como promessa. Aparecer em um painel de conhecimento não é meta que alguém possa garantir.

Como medir

Use a mesma bateria de perguntas todo mês, como descrito em medição sem clique: "o que é [marca]?", "quem fundou [marca]?", "onde fica [marca]?". Conte respostas corretas, incompletas e erradas. A auditoria de entidade detalha o procedimento.

Método LLM Seeding™: Camillo Dantas (autoria declarada). Knowledge Graph é produto do Google; web semântica é conceito do W3C. Última revisão: 16/10/2026.