Sofortantwort
Knowledge Graph einfach erklärt
Datenbank, die Entitäten und deren Beziehungen darstellt.
- Kurz gesagt
- Speichert Wissen als Netzwerk aus Entitäten (Knoten) und Beziehungen (Kanten)
- Typischer Einsatz
- Google Knowledge Panel, Empfehlungssysteme, RAG-Erweiterung
- Wichtig zu wissen
- Grundlage für Google Knowledge Panel, Siri, Alexa und semantische Suche
Knowledge Graph im Überblick
Ein Knowledge Graph ist eine strukturierte Wissensbasis, die Entitäten (Personen, Orte, Konzepte) und ihre Beziehungen als Netzwerk repräsentiert. Statt Informationen in starren Tabellen zu speichern, werden Zusammenhänge direkt als Kanten zwischen Knoten modelliert. Google, Microsoft und Amazon nutzen Knowledge Graphs als Grundlage ihrer Suchmaschinen und Assistenten. Für KI-Systeme sind Knowledge Graphs besonders wertvoll als strukturierte Wissensquelle für RAG und als Ergänzung zu reinen Vektordatenbanken.
Ein Knowledge Graph speichert Wissen als Netzwerk aus Verbindungen. Statt Informationen in Tabellen zu pressen, werden Zusammenhänge direkt als Beziehungen dargestellt.
Wo begegnest du Knowledge Graphs?
- Google: Die Info-Box rechts bei Suchergebnissen (“Angela Merkel ist…”) kommt aus Googles Knowledge Graph
- Siri/Alexa: Verstehen Fragen wie “Wer ist der Präsident von Frankreich?”
- Wikipedia: Wikidata ist ein riesiger, öffentlicher Knowledge Graph
Beispiel:
[Berlin] ──ist-Hauptstadt-von──→ [Deutschland]
[Deutschland] ──liegt-in──→ [Europa]
[Berlin] ──hat-Einwohner──→ [3.7 Millionen]
[Angela Merkel] ──war-Kanzlerin-von──→ [Deutschland]Tripel-Format: Subjekt → Prädikat → Objekt
Vorteil gegenüber Tabellen: Du kannst komplexe Fragen stellen wie “Welche Städte in Europa haben mehr als 3 Millionen Einwohner?” – der Graph findet die Antwort über mehrere Verbindungen hinweg.
Technisch betrachtet
Abfragen mit Cypher (Neo4j)
// Finde alle Hauptstädte in Europa
MATCH (city)-[:IST_HAUPTSTADT_VON]->(country)-[:LIEGT_IN]->(continent {name: "Europa"})
RETURN city.name, country.nameGraphRAG
Kombination von Knowledge Graphs mit RAG:
- Dokumente in einen Knowledge Graph extrahieren
- Bei einer Anfrage: relevante Subgraphen abrufen
- Subgraph als strukturierten Kontext an das LLM geben
- LLM antwortet mit Wissen über Beziehungen und Zusammenhänge
Vorteile gegenüber reiner Vektorsuche
- Explizite Beziehungen: “A ist Chef von B” statt nur “A und B sind ähnlich”
- Multi-Hop-Reasoning: Über mehrere Beziehungen hinweg schlussfolgern
- Erklärbarkeit: Der Pfad der Schlussfolgerung ist nachvollziehbar
Einschränkungen
- Aufwand: Knowledge Graphs sind teuer in Aufbau und Pflege
- Vollständigkeit: Fehlendes Wissen führt zu falschen Schlüssen (Closed-World-Assumption)
- Schema-Rigidität: Änderungen an der Ontologie erfordern Datenmigration
- Skalierung: Sehr große Graphen (Milliarden Knoten) sind technisch anspruchsvoll
Wann Knowledge Graph, wann Vektordatenbank?
| Situation | Empfehlung |
|---|---|
| Explizite Hierarchien (Org-Chart, Produktkatalog) | Knowledge Graph |
| Semantische Ähnlichkeit (“ähnliche Dokumente”) | Vektordatenbank |
| Komplexe Beziehungsabfragen | Knowledge Graph |
| Schnelles Prototyping | Vektordatenbank |
| Maximale Retrieval-Qualität | GraphRAG (beides kombiniert) |
Schritt für Schritt
Wie aus Daten ein nutzbarer Knowledge Graph wird
Der Wert eines Graphen entsteht nicht durch möglichst viele Knoten, sondern durch eindeutige Begriffe, belastbare Beziehungen und eine konkrete Frage, die damit besser beantwortet wird.
Frage und Bereich festlegen
Fokussieren
Das Team beschreibt, welche Beziehungen wichtig sind, etwa Abhängigkeiten in Produkten oder Zuständigkeiten in einer Organisation.
Frage → relevante EntitätenBegriffe und Relationstypen modellieren
Strukturieren
Entitäten erhalten klare Identitäten; Beziehungen werden mit verständlichen Rollen statt nur mit allgemeiner Ähnlichkeit definiert.
Knoten + Rollen + RegelnQuellen verbinden und prüfen
Qualifizieren
Daten werden importiert oder extrahiert, mit Herkunft versehen und auf Dubletten, Widersprüche und fehlende Beziehungen geprüft.
Quellen → geprüfte FaktenAbfragen und Pflege verankern
Nutzen
Konkrete Abfragen, Suchergebnisse oder KI-Kontexte zeigen den Nutzen. Änderungen an Quellen und Modellen bleiben nachvollziehbar.
Graph → Abfrage + Aktualisierung
Konkretes Beispiel
Beispiel: Produktwissen für den Support
Ein Unternehmen möchte Antworten zu kompatiblen Produkten und bekannten Einschränkungen zuverlässig vorbereiten.
Unstrukturierte Dokumente
Informationen liegen in Handbüchern und Tickets. Eine Suche findet ähnliche Textstellen, kann aber Abhängigkeiten und Gültigkeit nur schwer abbilden.
Explizite Beziehungen
Produkte, Versionen, Voraussetzungen und Einschränkungen werden als Knoten und Rollen gepflegt. Die Antwortsuche kann passende Beziehungen anzeigen und auf ihre Quelle verweisen.
Ein Knowledge Graph eignet sich besonders dort, wo die Art der Beziehung selbst entscheidend für eine korrekte Antwort ist.
Einordnung
Vorteile und Grenzen
Das spricht dafür
- Macht Beziehungen, Hierarchien und Abhängigkeiten explizit abfragbar.
- Verbindet Informationen aus mehreren Quellen über gemeinsame Entitäten.
- Kann Such- und KI-Antworten mit nachvollziehbarem Kontext ergänzen.
- Hilft, Lücken und widersprüchliche Modellannahmen sichtbar zu machen.
Das solltest du beachten
- Modellierung und Pflege benötigen fachliche Verantwortung und klare Regeln.
- Unklare Entitäten oder Rollen führen schnell zu einem schwer nutzbaren Netzwerk.
- Nicht jede Suchaufgabe braucht einen Graphen; einfache Volltext- oder Vektorsuche kann ausreichen.
- Automatische Extraktion von Beziehungen muss gegen Quellen und Fachwissen geprüft werden.
Vertiefung · für FortgeschritteneKnowledge Graph zwischen Semantik und Retrieval
Ein Graph ergänzt andere Wissenszugänge, indem er die Bedeutung und Rolle einer Verbindung speichert.
Entitäten gezielt verbinden
- Ontologie
- Eine strukturierte Beschreibung von Konzepten und deren Beziehungen.
- Semantische Suche
- Die Suche basiert auf dem Verständnis der Anfrage und nicht nur auf Keywords.
- RAG
- Kombination von LLMs mit externen Wissensdatenbanken für Genauigkeit.
- Embeddings
- Vektoren, die semantische Bedeutung in hochdimensionalen Räumen abbilden.
- Data Lineage
- Nachverfolgung von Datenherkunft, Transformationen und Verwendung.