ナレッジグラフ

ナレッジグラフは、さまざまなソースからの情報を整理および接続して、ドメインに関する知識を構造化された人間のような方法で表現するモデルです。データをテーブルに格納する従来のデータベースとは異なり、ナレッジグラフは、エンティティ（現実世界のオブジェクト、イベント、状況、または抽象的な概念）とその間の関係のネットワークとして情報をキャプチャします。この構造により、AIシステムは、単にキーワードを照合するよりも効果的にコンテキストを理解し、推論を行い、複雑な質問に答えることができます。この概念はセマンティックウェブの中核的なコンポーネントであり、インターネットデータを機械可読にすることを目指しています。

ナレッジグラフの構造は、ノード（エンティティ）、エッジ（関係）、およびプロパティ（エンティティを記述する属性）で構成されます。たとえば、映画に関するグラフでは、「レオナルド・ディカプリオ」はエンティティノード、「出演」は関係エッジ、「タイタニック」は別のエンティティノードになります。「レオナルド・ディカプリオ」ノードには、「生年月日」などのプロパティも含まれる場合があります。著名な公開ナレッジグラフには、Googleのナレッジグラフや、DBpediaのようなオープンソースプロジェクトがあります。

AIと機械学習における応用

ナレッジグラフは、多くのインテリジェントなアプリケーションに不可欠です。

• セマンティック検索: 検索エンジンは、ナレッジグラフを使用して、クエリの背後にある意図を理解し、単純なキーワードマッチングを超えて、より関連性の高いコンテキストに応じた結果を提供します。これにより、「AppleのCEOは誰ですか」のような直接的な質問に、グラフをたどって答えることができます。
• レコメンデーションシステム: ユーザー、アイテム、およびそれらの属性間の関係をモデル化することにより、知識グラフは、小売におけるAIやコンテンツストリーミングなどの分野で、より洗練されたパーソナライズされたレコメンデーションを可能にします。
• 質問応答とチャットボット: 知識グラフは、エンティティの関係をナビゲートすることにより、AIシステムが複雑な質問に答えることを可能にする構造化された知識を提供し、会話型AIの機能を強化します。
• データ統合: ナレッジグラフは、異なるソースからのデータを統合し、組織全体の情報の一貫性のある相互接続されたビューを作成できます。これはビッグデータ分析に不可欠であり、SPARQLなどの言語を使用してクエリされることがよくあります。
• 他のAIモデルの強化：知識グラフは、他のAIタスクにコンテキストの背景知識を提供できます。たとえば、コンピュータビジョン（CV）では、グラフはUltralytics YOLO11などのモデルによって識別されたオブジェクトを、それらのプロパティまたは機能に関する情報にリンクさせ、より豊富なシーン理解につながる可能性があります。Ultralytics HUBのようなプラットフォームは、この構造化された知識を活用できるデータセットとモデルを管理します。

実世界の例

1. Eコマースのパーソナライゼーション： あるオンライン小売業者は、顧客、製品、ブランド、カテゴリ、閲覧履歴、購入データを接続するナレッジグラフを使用しています。ユーザーが「ランニングシューズ」を検索すると、グラフはシステムが関連する概念（例：「マラソン」、「トレイルランニング」）とユーザーの好みを理解するのに役立ち、高度にパーソナライズされた結果と補完的な製品の推奨を提供します。これにより、全体的な顧客体験が向上します。
2. 医療におけるAIソリューション: ある医学研究機関が、PubMedなどのソースからの疾患、症状、遺伝子、薬、および研究出版物をリンクするナレッジグラフを構築しています。これにより、研究者は「タンパク質Xを標的とし、疾患Yの治療に使用される薬を見つける」などの複雑な関係を照会し、創薬を加速し、医用画像解析の診断サポートを改善できます。

知識グラフ vs. 関連概念

• データベース: 従来のリレーショナルデータベースは、行と列を持つ事前定義された固定されたテーブルにデータを格納します。ナレッジグラフは、柔軟なグラフ構造（ノードとエッジ）を使用しており、複雑で進化する関係を表現し、新しいつながりを推論するのに適しています。 Neo4jのような最新のグラフデータベースは、この構造を管理するために特別に設計されています。
• ベクトル検索: これは、ベクトル埋め込みの近接性に基づいて類似のアイテムを見つける方法です。ベクトルデータベースは類似性検索に非常に効率的ですが、ナレッジグラフのように関係を明示的に保存しません。ナレッジグラフは明示的な接続を定義しますが、ベクトル検索は学習された特徴に基づいて暗黙的な接続を見つけます。
• Large Language Models (LLMs)（大規模言語モデル）: LLMは、大量のテキストで訓練された後、そのパラメータに知識を暗黙的に保存します。ナレッジグラフは、知識を明示的かつ検証可能に保存します。これらは一緒に使用できます。LLMは、ハルシネーション（幻覚）を減らし、精度を確保するために、最初にナレッジグラフから事実情報を取得してクエリに回答する場合があります。これは、Retrieval-Augmented Generation (RAG)（検索拡張生成）の中心的なテクニックです。