ナレッジグラフ

君が知っている全てのことが、巨大なクモの巣みたいにつながっているところを想像してみて。真ん中に「君」がいて、そこから友達、学校、好きな食べ物、ペットへと線がのびている。それぞれのものも、また別のものとつながっているんだ。

ナレッジグラフは、コンピューターのためのそういうクモの巣なんだ。コンピューターが「パリ」がただの言葉じゃなくて、都市で、フランスにあって、エッフェル塔があって、それは1889年に建てられた…ということを理解できるようにするんだ。

「エッフェル塔の高さは？」とGoogleに聞くと、その言葉が入ったページを探すんじゃなくて、エッフェル塔という「モノ」を知っていて、その「モノ」についての事実——高さが330メートルだということ——を教えてくれるんだよ！

歴史的背景：「ナレッジグラフ」という用語は1972年に言語学者エドガー・W・シュナイダーによって造られたが、この概念が本格的に普及したのは2012年。Googleが「文字列ではなく、モノ（things, not strings）」というスローガンでナレッジグラフを発表したのがきっかけだ。

ナレッジグラフ以前の検索エンジンは、すべてをテキストとして扱っていた。「水銀」と検索すると、惑星、元素、ローマの神、フレディ・マーキュリーの結果が混在していた。ナレッジグラフは、これらが同じ名前を持つ別々のエンティティであることを理解することで、この問題を解決した。

3つの構成要素：

• ノード：人物、場所、概念、イベントなどのエンティティ
• エッジ：エンティティ間の関係（勤務先、所在地、発明者など）
• プロパティ：エンティティの属性（生年月日、人口、身長など）

ナレッジグラフは、従来のデータベースとは根本的に異なる。リレーショナルデータベースでは、事前に厳格なスキーマ（顧客テーブル、注文テーブル）を定義する。ナレッジグラフでは、世界を有機的に成長できる柔軟なネットワークとしてモデル化する。

主要な技術概念：

• トリプル：知識の最小単位：（主語, 述語, 目的語）。例：（マリー・キュリー, 受賞, ノーベル物理学賞）
• オントロジー：エンティティの種類と有効な関係を定義する形式的なスキーマ。知識ドメインの「ルール」と考えればよい
• 推論：既存の事実から新しい事実を導出する。AがBの親で、BがCの親なら、AはCの祖父母である

主要な公開ナレッジグラフ：

• Wikidata：オープンでコミュニティが維持、Wikipediaのインフォボックスを支える
• DBpedia：Wikipedia記事からの構造化抽出
• Google Knowledge Graph：Google検索を支える、約5000億の事実
• YAGO：Wikipedia、WordNet、GeoNamesを組み合わせた学術プロジェクト

グラフデータベースとクエリ言語：

ナレッジグラフは通常、関係性のトラバースに最適化された専用のグラフデータベースに格納される。SQL（行ベースのクエリ用に設計）とは異なり、グラフクエリ言語はマルチホップトラバースに優れている。

• SPARQL：RDFトリプルストア用のクエリ言語（W3C標準）
• Cypher：Neo4jの宣言型クエリ言語
• Gremlin：Apache TinkerPopのトラバース言語

ナレッジグラフ埋め込み：

機械学習アプリケーションでは、エンティティと関係をベクトルとして表現する必要がある。TransE、RotatE、ComplExなどのモデルは、関係構造を保持する埋め込みを学習し、以下を可能にする：

• リンク予測（欠損関係の推論）
• エンティティ分類
• 類似度検索

仮想vs実体化ナレッジグラフ：

実体化グラフはデータをグラフデータベースに直接格納する。仮想ナレッジグラフはマッピングレイヤー（オントロジーベースのデータアクセス）を通じて基盤となるリレーショナルデータベースにクエリを実行する——既存データを移行できない企業に有用。

LLMグラウンディングのためのナレッジグラフ（GraphRAG）：

2024年のGraphRAG（Microsoft Research）の登場はパラダイムシフトを象徴している。従来のRAGはテキストチャンクを取得するが、GraphRAGはソース文書からナレッジグラフを構築し、グラフ構造を使用して文脈的に関連する情報を取得する。利点：

• マルチホップ推論への対応（「スタンフォードAI研究所出身者が設立した企業の投資家は誰か？」）
• 引用チェーンと説明可能性の提供
• 構造化された事実に生成を基盤づけることでハルシネーションを削減

自動ナレッジグラフ構築：

LLMはKG構築を手動キュレーションから半自動抽出へと変革した。現代のパイプラインは以下を使用：

• エンティティ抽出のための固有表現認識（NER）
• エッジ予測のための関係抽出モデル
• 既存KG（Wikidata、ドメインオントロジー）へのエンティティリンキング
• 人間によるループ内検証を伴う反復的改善

エンタープライズナレッジグラフアーキテクチャ：

本番システムは通常、(1) 生データソース、(2) ETL/マッピングレイヤー、(3) グラフストレージ、(4) 推論エンジン、(5) API/クエリレイヤー、(6) アプリケーション層をレイヤリングする。課題にはバージョニング、来歴追跡、時間的動態（時間とともに変化する事実）の処理が含まれる。

ニューロシンボリック統合：

フロンティアはニューラルネットワーク（データからの学習）とシンボリック推論（KG上の論理的推論）の組み合わせである。これはLLMの事実精度とマルチステップ推論における弱点に対処しつつ、柔軟性と言語理解を保持する。