Перейти к содержанию

Linked Data

Определение

Linked Data (связанные данные) – концепция публикации структурированных данных в вебе так, чтобы их можно было соединять между сайтами через общие идентификаторы (URI). Принципы предложил Тим Бернерс-Ли в 2006 году. Технологическая основа – RDF, SPARQL, Wikidata, schema.org.

3 мин 108 Обновлено 12 августа

Linked Data – это идея, что данные на разных сайтах должны быть «прошиты» одинаковыми идентификаторами, чтобы машина могла понять: «эта сущность здесь – та же, что и сущность вон там». Концепцию сформулировал Тим Бернерс-Ли (изобретатель веба) в 2006 году в коротком манифесте на собственном сайте W3C. Без Linked Data веб остаётся бесконечным набором независимых текстов; с Linked Data – превращается в единый связный граф знаний, который понимают и поисковики, и AI-системы.

Как это работает

Тим Бернерс-Ли сформулировал четыре принципа Linked Data:

  1. Использовать URI как имена. Каждая сущность (человек, организация, концепт) должна иметь уникальный URI
  2. Использовать HTTP URI. Чтобы любой мог ввести URI в браузер и получить о сущности больше информации
  3. Возвращать полезные данные при обращении к URI. В стандартизированных форматах: RDF, JSON-LD, Turtle
  4. Включать ссылки на другие URI. Чтобы пользователь (человек или машина) мог переходить от одной сущности к связанным

На практике это означает: сущность «Москва» на одном сайте идентифицируется тем же URI, что на другом, что в Wikidata, что в Google Knowledge Graph. Машина видит совпадение и связывает данные.

Для оценки качества публикации данных Бернерс-Ли в 2010 году ввёл систему «5 звёзд Open Data»:

ЗвёздЧто значитПример
★Данные доступны в интернете под открытой лицензиейPDF-документ
★★Данные структурированы, машиночитаемыExcel-файл
★★★Структурированы и в открытом форматеCSV
★★★★Используют URI для идентификации сущностейRDF, JSON-LD
★★★★★Связаны с другими данными через URIWikidata, Schema.org с sameAs

Linked Open Data (LOD)

Linked Open Data – пересечение двух движений: Open Data (открытые данные с открытой лицензией) и Linked Data (связанные через URI). Главные публичные источники LOD – Wikidata, DBpedia, GeoNames, MusicBrainz, государственные открытые данные ЕС и США. Все они связаны между собой через общие URI и образуют так называемый «LOD Cloud» – глобальный граф открытых данных размером в миллиарды триплетов.

Зачем это нужно

Для маркетолога и владельца сайта Linked Data решает две задачи.

1. Сильная связность сущностей бренда с проверенными графами. Через свойство sameAs в Schema.org сайт говорит поисковикам и AI: «наша сущность Person с автором – это тот же человек, что в Wikidata Q123, что в LinkedIn, что в ORCID». Это резко повышает доверие AI-систем к контенту: они получают подтверждение из независимых источников. Один из ключевых факторов попадания в Google Knowledge Panel и в AI-цитирования.

2. Структурированные данные, готовые к использованию AI. AI-системы парсят Linked Data на порядок лучше, чем неструктурированный HTML. Ответ Perplexity или Claude на запрос о компании, имеющей качественную Linked Data разметку, будет точнее и содержательнее, чем о компании с обычной маркетинговой страницей.

Для бизнеса Wikidata – самый дешёвый вход в Linked Data: страница в Wikidata автоматически становится частью LOD Cloud и распространяется через все системы, которые её используют.

Пример

В одном проекте B2B SaaS-клиента мы провели аудит «глубины» Linked Data на сайте. Изначально на каждой странице блога был JSON-LD типа Article и Person, но без связей с внешними графами. Внешний эксперт назывался по имени, без указания, кто это и где его искать.

Доработка заняла месяц: для каждого автора добавили sameAs с тремя-пятью авторитетными ссылками (Wikidata Q-страница, LinkedIn, профиль в Pubmed для медицинского эксперта, страница автора в отраслевом издании). Для самого продукта компании добавили sameAs на Crunchbase, ProductHunt, страницу в Wikidata. Через два месяца Perplexity начал упоминать конкретных авторов компании в ответах на нишевые запросы – раньше система знала только название бренда без персонификации.

Вывод: Linked Data – не отдельная технология, а культура структурирования данных. Реализуется через JSON-LD, Schema.org и связи с Wikidata, и в 2026 году это один из самых сильных бесплатных инструментов AI-видимости.

Частые вопросы

Кто и когда придумал Linked Data?

Концепцию сформулировал Тим Бернерс-Ли – изобретатель Всемирной паутины – в 2006 году в коротком манифесте на сайте W3C. В 2010 году он дополнил концепцию пятизвёздочной шкалой качества Open Data. Бернерс-Ли регулярно подчёркивает, что Linked Data – естественное продолжение его исходной идеи семантического веба.

Какие четыре принципа Linked Data?

1) Использовать URI как имена для сущностей. 2) Использовать HTTP URI, чтобы любой мог получить информацию о сущности через браузер. 3) Возвращать полезные данные в стандартизированных форматах (RDF, JSON-LD, Turtle). 4) Включать ссылки на другие URI, чтобы создавать связный граф. Эти принципы Бернерс-Ли сформулировал в 2006 году.

Что такое 5 звёзд Open Data?

Шкала качества публикации данных от Бернерса-Ли (2010): 1 звезда – данные в интернете под открытой лицензией. 2 – структурированы и машиночитаемы. 3 – в открытом формате. 4 – используют URI для идентификации сущностей. 5 – связаны с другими данными через URI. Цель – стимулировать переход от закрытых форматов к открытым связанным данным.

Чем Linked Data отличается от Open Data?

Open Data – данные, опубликованные под открытой лицензией для свободного использования. Linked Data – данные, связанные между собой через общие URI. Это пересекающиеся, но не тождественные концепции. Linked Open Data (LOD) – данные одновременно открытые и связанные. Это и есть высший уровень – пятизвёздочные данные по шкале Бернерса-Ли.

Как Linked Data связана с RDF и Schema.org?

RDF – основная модель данных для Linked Data: триплеты subject-predicate-object с URI вместо обычных текстовых имён. Schema.org – словарь типов и свойств, используемых при разметке. JSON-LD – формат записи Linked Data, рекомендованный Google. Все эти технологии работают вместе: Schema.org даёт словарь, RDF – модель, JSON-LD – синтаксис записи.

Что такое LOD Cloud?

LOD Cloud (Linked Open Data Cloud) – визуализация всех публичных датасетов, опубликованных в виде Linked Open Data и связанных между собой через URI. Включает Wikidata, DBpedia, GeoNames, MusicBrainz, государственные открытые данные ЕС, США, Великобритании, академические репозитории. По состоянию на 2024 год – несколько тысяч датасетов с миллиардами триплетов.

Как использовать Linked Data на обычном сайте?

Самый простой путь – добавить в JSON-LD разметку Schema.org свойство sameAs со ссылками на Wikidata, LinkedIn, профили в авторитетных источниках. Это превращает сущности на сайте (автор, компания, продукт) в часть LOD Cloud. Не требует развёртывания SPARQL endpoint или сложной инфраструктуры – достаточно добавить ссылки в существующую разметку.

Связанные термины

JSON-LD Формат записи структурированных данных Schema.org в JSON (рекомендация W3C, 2014). Используется как основной способ внедрения разметки на веб-страницы: отдельный блок в секции head или body, не зависит от вёрстки. RDF RDF (Resource Description Framework) – стандарт W3C для описания ресурсов в виде тройки subject-predicate-object. Первая версия опубликована в 1999 году, текущая RDF 1.1 – в феврале 2014. RDF – теоретическая основа Schema.org и формата JSON-LD. Schema.org Schema.org – словарь структурированных данных для разметки веб-страниц, который понимают Google, Bing, Yandex и AI-системы. Запущен в 2011 году совместно Google, Microsoft и Yahoo, в ноябре 2011 к проекту присоединился Яндекс. SPARQL SPARQL (SPARQL Protocol and RDF Query Language) – стандартный язык запросов к данным в формате RDF. SPARQL 1.0 утверждён W3C 15 января 2008 года, расширенная версия SPARQL 1.1 – 21 марта 2013 года. Используется в knowledge graphs, Wikidata и корпоративных базах знаний. Wikidata Wikidata – открытый многоязычный knowledge graph под управлением Wikimedia Foundation, запущенный 29 октября 2012 года. Содержит более 120 миллионов сущностей с уникальными QID-идентификаторами, лицензия CC0. Используется поисковиками, AI-системами и крупными библиотеками для построения связных данных.

Материалы по теме

Что почитать дальше по этой теме.

Статья Что боты находят на сайте, а вы – нет Боты ходят по изнанке сайта, куда живой человек не забредёт, и фиксируют в логах то, чего не видно ни в Метрике, ни на витрине: падающие с ошибкой 500 страницы каталога, битый файл с 747 обращениями, поток сканеров секретов. Разбираю на реальных логах, что искать и как чинить. 7 мин 196 22 июля 2026 Инструкция Как выгрузить и читать access-логи, если хостинг хранит их три дня Access-лог – единственное место, где виден весь трафик сайта, включая ИИ-ботов, которых не замечают счётчики. Разбираю на практике: где взять логи, как не потерять их из-за ротации, какие команды показывают ботов, ошибки и подозрительную активность. 7 мин 151 21 июля 2026 Флагманский гайд AI-анализ email-обращений: методика на стыке Яндекс.Метрики и Claude Code Классический email-трекинг отвечает на вопрос «откуда пришло обращение». AI-слой отвечает на вопросы, которые раньше требовали ручного аналитика: значим ли email на фоне звонков, форм и мессенджеров, почему один источник даёт качественные обращения, а другой – пустые, какие сегменты визитов предшествуют письму, что написать в ответ с учётом пути пользователя. Здесь – как я собираю это на уже имеющемся стеке: Logs API Метрики, PostgreSQL и Claude Code, без новых платных сервисов. 11 мин 290 26 мая 2026 Флагманский гайд Майкор: ИИ-аудит проекта по 4 точкам контакта Майкор – это перекрёстный ИИ-аудит проекта в 4 точках контакта: сайт, контекстная реклама, AI-поиск и Яндекс.Карты. Я анализирую каждую систему и смотрю связки между ними – где маркетинг рассказывает одно, реклама ведёт на другое, а AI-системы цитируют третий номер телефона. В одном из моих аудитов медицинской клиники в Москве у организации в индексе AI-сервисов оказалось 6 разных номеров и всего 7 упоминаний на 64 проверочных запроса – при том, что в обычной выдаче Яндекса клиника была в топ-1. Майкор закрывает такие разрывы за один аудит вместо четырёх раздельных. 16 мин 495 13 мая 2026 Гайд FAQPage Schema: как разметить блок частых вопросов и попасть в AI-ответы FAQPage schema – один из самых эффективных типов разметки для попадания в AI-ответы. Страницы с FAQPage schema цитируются AI-поисковиками в 2,7 раза чаще. В этом гайде – формат разметки, правила написания ответов для AI, реализация на 1С-Битрикс и типичные ошибки, которые обнуляют эффект. 8 мин 326 25 апреля 2026