RDF — это абстрактная модель данных для представления любой информации в машиночитаемом виде. Каждое утверждение в RDF выражается одинаково: «субъект — предикат — объект». Например, «Валентина Меланина — автор — этой статьи». На основе RDF построены большинство современных стандартов семантического веба: Schema.org, JSON-LD, FOAF, Dublin Core, Wikidata.
Как это работает
Базовая единица RDF — триплет (triple). Это утверждение из трёх частей:
- Subject (субъект) — ресурс, о котором делается утверждение
- Predicate (предикат) — свойство или отношение
- Object (объект) — значение свойства или связанный ресурс
Простой пример на естественном языке: «Небо имеет цвет голубой». В RDF это превращается в триплет: (небо, имеет_цвет, голубой). Каждый из трёх элементов идентифицируется через IRI — Internationalized Resource Identifier, расширенную версию URI с поддержкой Unicode.
Несколько триплетов с одним общим субъектом или объектом образуют граф. Формально это направленный граф, где субъекты и объекты — узлы, а предикаты — направленные рёбра между ними:
(Валентина Меланина, тип, Person)
(Валентина Меланина, jobTitle, "Маркетолог-аналитик")
(Валентина Меланина, affiliation, m.ai)
(m.ai, тип, Organization)
(m.ai, foundingDate, "2020")
В этом графе шесть триплетов описывают связь автора с организацией. Граф можно бесконечно расширять: добавить триплеты про статьи, которые написал субъект, про мероприятия, в которых он участвует, про публикации, которые цитируют его работы. Это называется Linked Data — связанные данные.
Сериализации RDF
RDF — это абстрактная модель. Чтобы сохранить или передать триплеты, используют один из форматов записи (сериализаций):
| Формат | Где применяется | Когда выбирать |
|---|---|---|
| JSON-LD | Веб-страницы, разметка Schema.org, Web API | В 90% задач веб-разработки. Рекомендован Google |
| Turtle (TTL) | Документация, базы знаний, ручное редактирование | Когда RDF читают и пишут люди — Turtle компактнее JSON-LD |
| N-Triples | Импорт-экспорт больших датасетов между триплсторами | Когда нужен максимально простой парсинг построчно |
| RDF/XML | Старые системы семантического веба | Только legacy. Новые проекты не используют |
Тот же граф про автора в JSON-LD выглядит компактно:
{
"@context": "https://schema.org",
"@type": "Person",
"name": "Валентина Меланина",
"jobTitle": "Маркетолог-аналитик",
"affiliation": {
"@type": "Organization",
"name": "m.ai",
"foundingDate": "2020"
}
}
История стандарта
Первый публичный draft RDF выпущен W3C в октябре 1997 года рабочей группой с участием IBM, Microsoft, Netscape, Nokia, Reuters. Первая официальная W3C Recommendation — RDF Model and Syntax Specification 1999 года. Версия RDF 1.1 утверждена 25 февраля 2014 года и до сих пор остаётся основным действующим стандартом. Кандидат на следующую версию, RDF 1.2, имеет статус Candidate Recommendation Snapshot от 7 апреля 2026 года и добавляет триплеты-термы и направленные языковые строки.
Главные имена в истории RDF — Tim Berners-Lee (концепция семантического веба), Ramanathan V. Guha (тогда Apple, позже Google — основатель Schema.org) и Tim Bray (Netscape), которые в 1995–1997 годах разработали Meta Content Framework — прямого предшественника RDF.
Зачем это нужно
Для большинства веб-разработчиков и маркетологов RDF — это «теория, которую знать не обязательно». Можно успешно использовать JSON-LD и Schema.org, не понимая, что под капотом — RDF-модель. Но в трёх случаях знание RDF даёт практическое преимущество.
1. AI-поиск и Knowledge Graph. Google Knowledge Graph, Wikidata и большинство открытых баз знаний построены на RDF. Когда LLM (ChatGPT, Claude, Gemini) формирует ответ о компании, человеке или продукте, она часто опирается на RDF-граф связанных данных. Понимание модели помогает структурировать сайт так, чтобы он попал в граф знаний поисковика и AI-системы.
2. Корпоративные knowledge graphs. Крупные компании (банки, ритейл, фарма) строят внутренние графы знаний на RDF и SPARQL — это становится критичным инструментом, когда поверх корпоративных данных запускают AI-ассистента или поиск.
3. Связывание данных через sameAs. Свойство sameAs в Schema.org работает по логике RDF: оно говорит «эта сущность тождественна сущности по другому URL». Указав в JSON-LD sameAs на профиль в Wikipedia, Wikidata, LinkedIn или ORCID, сайт связывает свою сущность с проверенным графом — и получает доверие AI-систем.
Пример
В одном из проектов клиент — медицинский эксперт с авторскими статьями на сайте — был корректно размечен через JSON-LD с типом Person, но в ChatGPT и Perplexity на запросы вида «лучшие эксперты в [нише]» не упоминался. Проблема нашлась в RDF-модели: его сущность не была связана с внешними проверенными графами. JSON-LD содержал имя, должность и ссылку на сайт, но не было sameAs на ORCID, профиль в Pubmed, страницу автора в Wikipedia.
Добавили шесть ссылок sameAs: ORCID, ResearchGate, два упоминания в авторитетных медицинских журналах, профиль в LinkedIn, страница в реестре Минздрава. Через два месяца Perplexity начал упоминать эксперта в ответах на профильные запросы — потому что AI-система смогла связать сущность сайта с проверенным графом авторитетных источников. Это и есть RDF в действии: значение даёт не разметка как таковая, а связи между сущностями.
