엔티티(Entity)와 지식그래프, 브랜드에 왜 중요한가

Google AI Overviews·Perplexity·ChatGPT Search가 브랜드를 답변에 포함할지 결정할 때, 이 시스템들은 키워드 빈도가 아니라 엔티티(entity) 노드와 그 속성·관계망을 기준으로 판단한다. Google 지식그래프(Knowledge Graph)는 약 5000억 개의 사실을 엔티티-관계 트리플(subject-predicate-object) 형태로 저장하며, LLM은 사전학습 단계에서 이 구조를 가중치로 압축한다. 브랜드가 이 그래프 안에서 식별 가능한 노드로 존재하지 않으면, 답변엔진은 해당 브랜드를 신뢰할 수 있는 인용 후보로 처리하지 않는다.

엔티티와 지식그래프의 작동 원리

지식그래프에서 엔티티는 고유 식별자를 가진 추상 객체다. "삼성전자"라는 문자열이 엔티티가 아니라, Wikidata QID Q20716으로 참조되는 노드가 엔티티다. 이 구분이 GEO 전략의 출발점이다.

• 엔티티 링킹(Entity Linking): 웹 문서 텍스트 내 언급("삼성전자의 갤럭시...")을 KG 노드에 연결하는 과정. 왜 — "삼성", "Samsung", "삼성전자㈜" 세 가지 표기를 단일 엔티티로 집계할 수 있어 브랜드 권위 신호가 분산되지 않기 때문. 어떻게 — Google Natural Language API가 salience 점수와 Wikipedia URL을 기반으로 후보 엔티티를 선택하고, sameAs 클루로 최종 연결한다.
• 트리플 스토어(Triple Store): (삼성전자, 설립연도, 1969) 형식으로 속성을 저장. 왜 — LLM이 사전학습 중 이 트리플을 반복 접하면서 "삼성전자는 1969년 설립"을 파라미터에 압축 저장하기 때문. 어떻게 — Schema.org의 foundingDate, legalName, numberOfEmployees가 트리플 공급원 역할을 한다.
• 엔티티 현저성(Entity Salience): RAG 파이프라인에서 쿼리 엔티티와 문서 엔티티가 일치할수록 유사도 점수가 높아짐. 왜 — dense retrieval 임베딩이 TF-IDF 대비 엔티티 공유를 더 강하게 반영하기 때문. 어떻게 — 브랜드명·제품명·핵심 토픽 엔티티가 문서 전반에 일관되게 등장해야 상위 청크에 포함된다.

브랜드 엔티티 구축 방법 — sameAs와 KG 등재

브랜드 엔티티를 KG에 확보하는 직접 경로는 세 가지다: Wikidata 등재, Wikipedia 항목 생성, 공식 사이트 JSON-LD에 sameAs 연결.

• Wikidata 등재: Wikidata는 Google KG의 핵심 데이터 공급원이다. 왜 — Google은 Wikidata QID를 엔티티 표준 식별자로 사용하며, QID가 있는 브랜드는 Knowledge Panel 생성 가능성이 높아진다. 어떻게 — 신규 항목 생성 시 P31(instance of: Q4830453 business), P18(logo), P856(official website), P571(inception date) 등 최소 속성 4개 이상 입력.
• sameAs 마크업: 공식 사이트 Organization JSON-LD에 Wikidata·Wikipedia·LinkedIn·Crunchbase URL을 sameAs 배열로 포함. 왜 — Google의 엔티티 조정(entity reconciliation) 알고리즘이 sameAs를 "이 도메인의 퍼블리셔 = 이 KG 노드" 확인 신호로 사용하기 때문. 어떻게 — 아래 코드 예시 참조.
• NAP 일관성(Name-Address-Phone): 브랜드명·주소·연락처를 Google Business Profile, 공식 사이트, 언론 보도 전반에서 동일하게 유지. 왜 — 엔티티 링킹 알고리즘이 속성 일관성을 노드 병합 신뢰 신호로 사용하기 때문. 어떻게 — 브랜드 표기 가이드라인을 문서화하고 모든 퍼블릭 채널에 적용한다.

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "@id": "https://example.com/#organization",
  "name": "Citeon",
  "legalName": "시테온 주식회사",
  "url": "https://example.com",
  "logo": {
    "@type": "ImageObject",
    "url": "https://example.com/logo.png"
  },
  "foundingDate": "2022",
  "address": {
    "@type": "PostalAddress",
    "streetAddress": "테헤란로 123",
    "addressLocality": "강남구",
    "addressRegion": "서울특별시",
    "postalCode": "06234",
    "addressCountry": "KR"
  },
  "sameAs": [
    "https://www.wikidata.org/wiki/Q{YOUR_QID}",
    "https://ko.wikipedia.org/wiki/시테온",
    "https://www.linkedin.com/company/citeon",
    "https://www.crunchbase.com/organization/citeon"
  ],
  "knowsAbout": [
    "https://www.wikidata.org/wiki/Q2539298",
    "https://www.wikidata.org/wiki/Q1133560"
  ]
}

@id에 URL + fragment를 사용하는 이유는, 동일 페이지 내 다른 스키마(WebSite, BreadcrumbList)가 이 조직을 publisher 또는 author로 참조할 때 중복 정의 없이 연결할 수 있기 때문이다. knowsAbout에 Wikidata QID URL을 포함하면 브랜드의 전문 영역을 KG 노드로 명시적으로 선언할 수 있다.

GEO 인용에서 엔티티 신호가 작동하는 방식

Perplexity·ChatGPT Search의 RAG 파이프라인은 쿼리 엔티티와 문서 엔티티의 매칭을 핵심 관련성 신호로 사용한다. 이 매칭이 작동하려면 브랜드 엔티티가 웹 전반에서 일관된 속성으로 언급되어야 한다.

• 엔티티 공동 출현(Co-occurrence): 특정 토픽 엔티티와 브랜드 엔티티가 동일 문서에서 함께 등장할수록, 그 토픽 관련 쿼리에서 브랜드 인용 가능성이 높아진다. 왜 — LLM 임베딩 공간에서 공동 출현 빈도는 의미적 거리와 직결되기 때문. 어떻게 — 콘텐츠 계획 시 키워드 대신 토픽의 Wikidata QID를 기준으로 삼는다.
• 엔티티 속성 완전성(Attribute Completeness): KG에 브랜드의 설립일·대표자·서비스 분류·수상 이력이 구조화 데이터로 존재할수록 LLM이 신뢰 가능한 인용 대상으로 처리한다. 왜 — 속성이 풍부한 엔티티는 사전학습 데이터에서 더 빈번하고 다양한 문장으로 표현되어 파라미터에 더 강하게 인코딩되기 때문(추정). 어떻게 — Schema.org Organization 타입에 매핑 가능한 속성을 최대한 JSON-LD로 표현한다.
• 권위 있는 외부 언급(Authoritative Mention): 언론사·업계 DB·나무위키에서 브랜드 엔티티가 독립적으로 언급되면 KG 신뢰도가 높아진다. 왜 — Google의 E-E-A-T 신호가 엔티티 신뢰도 판단에도 적용되기 때문. 어떻게 — 업계 미디어 기고, 공식 보도자료 배포, 업계 협회 디렉토리 등재.

검증과 측정

Knowledge Graph Search API

• Google KG Search API(kgsearch.googleapis.com/v1/entities:search)를 사용해 브랜드명으로 엔티티를 조회한다. 왜 — 응답의 detailPageUrl 필드가 존재하면 Knowledge Panel 대상 엔티티로 등재된 것이기 때문. 어떻게 — 무료 API 키 발급 후 query 파라미터에 브랜드명 입력, resultScore와 @type을 확인한다. 응답에 Organization 또는 Corporation 타입이 없으면 Wikidata 등재 또는 sameAs 보강이 필요하다.

AI 답변 모니터링

• Perplexity에서 브랜드 관련 쿼리를 정기 실행하고 인용 여부와 설명 정확성을 추적한다. 왜 — KG 상태와 LLM 인용 여부 사이에 수 주에서 수 개월의 시차가 존재하기 때문에 주기적 측정이 필요하다. 어떻게 — 브랜드명·대표 서비스명·CEO명 등 핵심 엔티티 쿼리 목록을 주 1회 실행해 변화를 추적한다.

SEO·AEO·GEO에서 엔티티 처리 방식 비교

흔한 오해 — "키워드 밀도를 높이면 엔티티 신호가 강해진다"

키워드 반복은 엔티티 신호와 무관하다. 엔티티는 텍스트 표면형("AI 마케팅")이 아니라 KG 노드(QID)와의 연결로 결정된다. "AI 마케팅"을 20회 반복한 페이지는, 해당 개념의 Wikidata QID를 JSON-LD knowsAbout에 한 번 명시한 페이지보다 엔티티 신호가 약할 수 있다. 올바른 처리법: (1) 타겟 토픽의 Wikidata QID를 확인한다. (2) JSON-LD about 또는 knowsAbout에 해당 QID URL을 포함한다. (3) 본문에서는 Wikidata label에 해당하는 공식 명칭을 일관되게 사용한다. 이 세 가지가 키워드 반복보다 엔티티 신호를 훨씬 강하게 만든다.

참고 자료

이 글의 권고는 아래 공식 문서·연구를 근거로 합니다.

• Google 검색 센터 — SEO 기본 가이드
• GEO: Generative Engine Optimization (arXiv 2311.09735)
• Google 검색의 AI 기능과 내 웹사이트