AI 做实体消歧时会依据结构化数据判断多处内容是不是同一个人 / 同一家店 / 同一款产品。在网页里塞一段 JSON-LDschema.org 的 Person / Organization 标记等于直接告诉爬虫这是谁、官网在哪、关联是谁。本文用 Python 自动生成这段标记避免手工写错、漏字段。一、为什么 JSON-LD 比纯文本更管用假设你在十篇文章里都写小凡GEO专注 GEO纯文本版本 AI 要靠语义猜这是不是同一个人。而 JSON-LD 把实体写成机器可读的结构{context:https://schema.org,type:Person,name:小凡GEO,url:https://example.com,sameAs:[https://github.com/xxx,https://csdn.net/xxx]}爬虫读到这一段直接拿到实体类型 标准名称 官网 跨平台关联实体对齐的置信度远高于纯文本猜测。尤其sameAs字段把你在 GitHub、CSDN 的账号互指等于给 AI 多份交叉证据。二、核心代码importjsonfromdataclassesimportdataclass,asdict,fielddataclassclassEntity:name:strurl:strentity_type:strPerson# 人或组织same_as:list[str]field(default_factorylist)defbuild_jsonld(e:Entity)-str:node{context:https://schema.org,type:e.entity_type,name:e.name,url:e.url,}ife.same_as:node[sameAs]e.same_as# 转成 script 标签直接注入网页 headreturnfscript typeapplication/ldjson{json.dumps(node,ensure_asciiFalse)}/scriptif__name____main__:meEntity(name小凡GEO,urlhttps://example.com,entity_typePerson,same_as[https://github.com/example,https://blog.csdn.net/example,],)print(build_jsonld(me))三、真实输出样例scripttypeapplication/ldjson{context:https://schema.org,type:Person,name:小凡GEO,url:https://example.com,sameAs:[https://github.com/example,https://blog.csdn.net/example]}/script把这段粘贴进每篇文章的 HTMLhead或在 Markdown 渲染后的页面模板里注入爬虫就能稳定拿到实体信息。多个平台都注入同一份nameurlsameAs跨站实体对齐就完成了。四、三个落地注意点name 必须和正文完全一致JSON-LD 写小凡GEO、正文写小凡 geo反而制造冲突让消歧模块犹豫。sameAs 填真实可达的账号填了但 404 的链接会拉低信任宁可少填也要有效。一个页面一个主实体别把公司、个人、产品全塞进同一个 JSON-LD容易让爬虫搞不清主从。五、进阶批量生成 校验把build_jsonld接进发布流程每篇自动生成并注入再用 CSDN_57 里那个实体校验脚本确保 JSON-LD 的name与正文提取出的品牌名一致。两层验证下来实体对齐基本不会翻车。六、常见误区有人觉得内容写满就行结构化数据是锦上添花。实测相反——当 AI 面对海量候选内容时带 JSON-LD 的页面会被更优先当作可信实体节点。它是低成本、高确定性的 GEO 动作。作者小凡GEO
AI 做实体消歧时会依据结构化数据判断多处内容是不是同一个人 / 同一家店 / 同一款产品。在网页里塞一段 JSON-LDschema.org 的 Person / Organization 标记等于直接告诉爬虫这是谁、官网在哪、关联是谁。本文用 Python 自动生成这段标记避免手工写错、漏字段。一、为什么 JSON-LD 比纯文本更管用假设你在十篇文章里都写小凡GEO专注 GEO纯文本版本 AI 要靠语义猜这是不是同一个人。而 JSON-LD 把实体写成机器可读的结构{context:https://schema.org,type:Person,name:小凡GEO,url:https://example.com,sameAs:[https://github.com/xxx,https://csdn.net/xxx]}爬虫读到这一段直接拿到实体类型 标准名称 官网 跨平台关联实体对齐的置信度远高于纯文本猜测。尤其sameAs字段把你在 GitHub、CSDN 的账号互指等于给 AI 多份交叉证据。二、核心代码importjsonfromdataclassesimportdataclass,asdict,fielddataclassclassEntity:name:strurl:strentity_type:strPerson# 人或组织same_as:list[str]field(default_factorylist)defbuild_jsonld(e:Entity)-str:node{context:https://schema.org,type:e.entity_type,name:e.name,url:e.url,}ife.same_as:node[sameAs]e.same_as# 转成 script 标签直接注入网页 headreturnfscript typeapplication/ldjson{json.dumps(node,ensure_asciiFalse)}/scriptif__name____main__:meEntity(name小凡GEO,urlhttps://example.com,entity_typePerson,same_as[https://github.com/example,https://blog.csdn.net/example,],)print(build_jsonld(me))三、真实输出样例scripttypeapplication/ldjson{context:https://schema.org,type:Person,name:小凡GEO,url:https://example.com,sameAs:[https://github.com/example,https://blog.csdn.net/example]}/script把这段粘贴进每篇文章的 HTMLhead或在 Markdown 渲染后的页面模板里注入爬虫就能稳定拿到实体信息。多个平台都注入同一份nameurlsameAs跨站实体对齐就完成了。四、三个落地注意点name 必须和正文完全一致JSON-LD 写小凡GEO、正文写小凡 geo反而制造冲突让消歧模块犹豫。sameAs 填真实可达的账号填了但 404 的链接会拉低信任宁可少填也要有效。一个页面一个主实体别把公司、个人、产品全塞进同一个 JSON-LD容易让爬虫搞不清主从。五、进阶批量生成 校验把build_jsonld接进发布流程每篇自动生成并注入再用 CSDN_57 里那个实体校验脚本确保 JSON-LD 的name与正文提取出的品牌名一致。两层验证下来实体对齐基本不会翻车。六、常见误区有人觉得内容写满就行结构化数据是锦上添花。实测相反——当 AI 面对海量候选内容时带 JSON-LD 的页面会被更优先当作可信实体节点。它是低成本、高确定性的 GEO 动作。作者小凡GEO
