知识图谱存在度

1. 知识图谱存在度是什么

GEO Wiki 工作定义：作为 GEO 信号的知识图谱存在度，指的是在 AI 引擎所信任的某张图谱里，是否有一条属于你的结构化实体节点（Wikipedia 词条、Wikidata 条目、Google 知识图谱或知识面板里的条目），以及它是否准确、是否已经被你认领。

这里只回答一个更窄的问题：存不存在这样一条可信节点，可以让模型把你认出来、再借它放大。至于怎么把页面上出现的名字对应到节点上，见 实体识别。

2. 节点只负责放大，不负责把你写进答案：最关键的一点

这一点和几个相邻条目讲的是同一个道理。实体识别 §6 说「解析靠外部信息相互印证，不靠你自己说了算」，品牌提及 §5 说「光有链接、没有提及，撑不起权威」，Schema.org for AI 说「标记是申报，不是奖项」，E-E-A-T §6 说「靠赢得，不靠贴标签」。底层都是这一句：节点的作用是放大器，并不是替你写进答案的那一步。它抬高初始印象，给解析提供一个落脚点，但它既不能让某句话被引用，也不能靠你单方面宣告就凭空成立。

之所以叫「放大」，而且是双重放大，是因为节点不会只在一个环节被用到，而是两次：

   站外关注度、提及     ◄── 靠赢得：品牌提及
            │
            ▼
   [ 结构化节点 ]   ◄── 本条目
   Wikipedia、Wikidata、Google 知识图谱
      │                       │
      ▼（训练阶段）            ▼（检索、采信阶段）
   先验更强               帮助消歧与回忆
   （Wikipedia 在            （在直接调用
   预训练语料里）             Google 索引的
                              AI 界面上）
      └──────────┬───────────┘
                 ▼
   放大归放大，那段话仍然要自己写得能被引述
   （可引用性）、也要被信任（E-E-A-T）

关键在它什么时候起作用。节点是始终在线的底层资产，不是引擎在生成答案那一刻临时算出来的：它会先在训练阶段把模型对你的先验抬高，再在检索阶段帮引擎把同名实体分清楚。这两件事都比 Answer Loop §3 里 可引用性 与 E-E-A-T 把关、决定要不要采信的那一步发生得更早。至于哪一段话最后被引用，节点本身并不参与决定。

有三条边界，得先讲清楚：

• 存在度 ≠ 可被引述。 让一句话能被原样取用，见 可引用性。
• 存在度 ≠ 被信任。 这条节点本身是不是一个值得信的权威，见 E-E-A-T。
• 存在度 ≠ 解析。 把你在页面上的名字对应到这条节点上去，见 实体识别；节点本身存不存在才是这里在讲的，这跟 实体识别 §2 的第三条边界正好是从两边看同一件事。

3. 机制：三层节点之间如何串联

知识图谱存在度不是单一的一件事，而是分散在三张图谱里的三条节点。三层的入场难度各不相同，数据流向也有固定的方向。

数据流向（节点居中负责放大，从来不是源头）：

  站外关注度 ─► Wikipedia ─► （预训练先验）
            │               └─────►┐
            └─► Wikidata ──────────┼─► Google 知识图谱 ─► Google 各 AI 界面
                                    （sameAs 通常就指它）

这条链接如何接回 Schema，一句话说清楚。sameAs 是把页面显式接入图谱的那条声明：哪些标记会带 sameAs，参见 Schema.org for AI §4；它指向的目标是什么，往下看就是。具体的 JSON-LD 代码块在 Schema.org for AI 与 Schema 落地 playbook 里。简单说，sameAs 表达的是「本页讲的这个实体就是 wikidata.org/wiki/Q… 那一条」；而它所指向的目标，也就是一条可信节点，正是本条要讲的事。

4. 杠杆：如何让节点存在、并且算数（讲的是思路，不是操作手册）

下面从思路上列出几个着力点，每一条都注明它对应 §3 里的哪一层。真正的执行步骤（怎么积累关注度、怎么提交条目、怎么认领面板、怎么把 sameAs 接上）在 Schema 落地 playbook 里；其中关注度那一半暂时还没有对应的操作手册，§8 会再提一次。

收尾一句，这跟 实体识别 §4 讲的「身份不是你说有就有」是同一回事：节点不是你自己写出来的；要先靠站外关注度赢得「有节点的资格」，存在度只是这份外部佐证沉淀下来的结果。 节点本身是否可信，见 E-E-A-T。

5. 不同平台上，存在度是怎么兑现的（共通点与差异）

§2、§3 那套放大机制在哪个平台都成立，这部分是不变的。会变的只是每个平台具体看的是哪一层。

「过度引用」并不是坊间感觉，而是有实测的：2025 年一份引用模式分析显示，Wikipedia 是 ChatGPT 单一被引用最多的来源，大约占全部引用的 7.8%（Profound，AI Platform Citation Patterns）。这是一家厂商的实测数据，看方向即可，不要当作精确系数。

多语言场景下，同一个实体在每种语言里都得各自有一条节点（中文 Wikipedia、Wikidata 与英文版各算各的），具体见 Multilingual GEO。

6. 证据说了什么，又没说什么

放大效应这件事，方向上是有可靠佐证的；但在品牌层面投入越多、回报是不是就越稳，目前没有定论。这张表的读法和全站读 Aggarwal 一样：看方向，不要纠结具体数字。

必须讲清的空白：生成式引擎优化 里那个标志性的杠杆，也就是 Aggarwal 等（KDD ‘24，arXiv:2311.09735；论文精读），它度量的是页内内容改写（加引用、加统计、加引述），跟知识图谱存在度完全不是同一件事。它给出的「最高约 40%」那个数字，不能直接套用到「拿下一个 Wikipedia 页面」上。把它搬到这里，正是站内多个条目反复提醒要避开的那种过度外推。

跟 实体识别 §6 讲的「靠多方印证，不靠自己说了算」、E-E-A-T §6 讲的「靠赢得，不靠贴标签」是同一个道理：存在度要靠关注度赢得，赢不来就没有。一条没有外部佐证、纯属自己写出来的节点，算不上存在度，只是一句空话。

7. 反模式：硬造节点与伪造链接

下面这些误区，跟 实体识别 §7、品牌提及 §8、Schema.org for AI §7 防的是同一类错误。

总结一句：节点是别人的提及最终落到的对象，不是一条你可以自己开辟出来的捷径；拥有它的资格要靠站外关注度赢得，赢不来就没有；自己硬写一条节点，本质上只是一句无人佐证的话。

8. 对 GEO 来说为什么重要、又该怎么做

知识图谱存在度是实体层下面一直在背景里运转的放大器：它强化先验，也给解析留下一个可以落脚的位置。它要和几件事放在一起看：赢得它的那批站外信号（品牌提及）、用到它的那一步解析（实体识别），以及指向它的那些标记（Schema.org for AI）。这里还得指出一个落差：sameAs 那条链接怎么接，Schema 落地 已经讲完了；但关注度、Wikipedia 这一侧暂时还没有现成的操作手册，本节因此只点明这个空白，而不去硬链一个尚不存在的页面。

参考资料

学术：

• Kandpal, N., Deng, H., Roberts, A., Wallace, E. & Raffel, C. (2023). Large Language Models Struggle to Learn Long-Tail Knowledge. ICML 2023 (PMLR v202). arXiv:2211.08411
• Mallen, A., Asai, A., Zhong, V., Das, R., Khashabi, D. & Hajishirzi, H. (2023). When Not to Trust Language Models: Investigating Effectiveness of Parametric and Non-Parametric Memories. ACL 2023. ACL Anthology · arXiv:2212.10511
• Aggarwal, P. et al. (2024). GEO: Generative Engine Optimization. KDD ‘24. arXiv:2311.09735 · 论文精读。边界参照；知识图谱存在度不是被测变量

官方：

• Google — Introducing the Knowledge Graph: things, not strings（2012-05-16）：奠定「实体，而非字符串」这一模型
• Google Knowledge Panel Help — Get verified on Google：认领知识面板
• Google Search Central — Organization structured data：sameAs「在后台用于把你的组织与其他组织区分开」
• Schema.org — sameAs：「无歧义地标明该项身份的参考网页 URL」

政策：

• Wikipedia — Notability：「获得独立于其自身、可靠来源的大量报道，即被推定为适合收录」
• Wikipedia — Paid-contribution disclosure：付费编辑必须披露
• Wikidata — Notability：条目需对应「一个可清晰辨识的概念或实体，且能以严肃、公开可查的参考来源描述」

业界：

• Profound — AI Platform Citation Patterns（2025-06-05）：Wikipedia 是 ChatGPT 被引用最多的来源（约 7.8%）；看方向，厂商实测