Безопасно размещаем отзывы и Работаем с репутацией!
Сущность
Также: entity, сущности
Коротко
Объект, о котором поисковики и нейросети хранят связанные факты: компания, человек, место, продукт.
Чем согласованнее факты о компании в разных источниках — название, адрес, услуги, руководители, — тем увереннее системы распознают её как одну сущность и не путают с другими.
Упоминается в статьях
💬 Термины и жаргон SERM
Слепая карточка: почему незаполненная карточка организации теряет клиентов
Название, адрес, телефон — и больше ничего. Клиент не видит услуг и фото, ассистент не связывает компанию с запросом. Как распознать слепую карточку, заполнить её и…
🧠LLMO LLMO
Сущностная склейка: что делать, если компанию путают с другой
Агрегатор объединил две карточки, ассистент называет чужой адрес, в выдаче смешаны материалы о тёзке. Как диагностировать склейку, разделить данные и закрепить отличительные признаки.
✨AIO AIO
Вопросный пробел: как найти вопросы клиентов, на которые нет ответа
Если на вопрос клиента нет прямого ответа ни на сайте, ни в карточках, ассистент отвечает догадкой. Где искать такие вопросы, как их проверить и куда поместить…
🎯GEO GEO · AEO
Атрибуционная подмена: как сохранить авторство материалов в ИИ-поиске
Компания публикует исследование, а ИИ-поисковик цитирует его по перепечатке на чужом сайте. Разбираем, почему так происходит, и как оформить материалы, чтобы ссылка вела к автору.
🧠LLMO LLMO
Описание компании для языковых моделей: двунаправленные факты и перефразы
Модели плохо выводят обратную связь фактов и не извлекают знание, записанное одной формулировкой. Как составить 10–20 ключевых фактов о компании и подать их в нескольких формах.
🧠LLMO LLMO
Двухрежимная проба: как найти источник ошибки в ответе ИИ о компании
Один и тот же вопрос о компании задают нейросети без поиска и с поиском. Разница в ответах показывает, что исправлять: источники в интернете или ждать обновления…
🧠LLMO LLMO
Лестница ИИ-видимости: как оценить положение бренда в нейросетях
Пять ступеней присутствия компании в ответах ИИ-ассистентов — от «не знает» до «рекомендует первым». Как определить свою ступень за час и что делать на каждой.
🧠LLMO LLMO
Аутрич для цитируемости: как бренд попадает в ответы нейросетей через внешние источники
Как получать упоминания бренда в отраслевых источниках, давать редакциям проверяемые факты и закрывать цитатный голод, чтобы бренд цитировали нейросети.
🎯GEO GEO · AEO
Микроразметка Schema.org: какие данные помогают бренду попадать в ответы нейросетей
Что такое разметка schema.org, какие типы данных нужны бренду и как проверить, что страница размечена правильно: разбор по шагам с примерами полей и типичными ошибками.
Упоминается в исследованиях
Рецензируемое исследование
2024
Чтобы модель извлекала факт, он должен встречаться в разных формулировках
Allen-Zhu, Li · Proceedings of the 41st International Conference on Machine Learning (ICML 2024), PMLR 235, 1067–1077
0%Без разнообразия формулировок знание может быть запомнено, но не извлекаться: точность ответов на вопросы нулевая независимо от последующего…
Рецензируемое исследование
2024
Проклятие обращения: модель знает «A — это B», но не «B — это A»
Berglund и др. · International Conference on Learning Representations (ICLR 2024)
79% против 33%Доля правильных ответов GPT-4 на прямой вопрос («кто мать знаменитости») и обратный («кто сын этой женщины»).
Рецензируемое исследование
2023
Языковые модели плохо запоминают редкие факты: всё решает число упоминаний
Kandpal и др. · Proceedings of the 40th International Conference on Machine Learning (ICML 2023), PMLR 202, 15696–15707
Сильная связьТочность ответа на вопрос коррелирует и причинно связана с числом релевантных документов в данных предобучения.
Рецензируемое исследование
2023
Когда не доверять модели: о малоизвестных сущностях ИИ знает хуже
Mallen и др. · Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), 9802–9822
14 тыс. вопросовРазмер датасета PopQA с сущностями разной популярности.