Knowledge Graph

Bilgi grafiği; düğümlerin insanlar, yerler, ürünler veya kavramlar gibi varlıkları, etiketli kenarların ise aralarındaki ilişkileri temsil ettiği yapılandırılmış bir olgu gösterimidir. Her olgu; özne, yüklem ve nesneden oluşan bir üçlüdür: örneğin (Marie Curie, doğduğu yer, Varşova). Bir şema veya ontoloji, hangi varlık ve ilişki türlerine izin verildiğini tanımlar. İlişkiler açıkça saklandığından sistem, grafik boyunca yolları izleyerek soruları yanıtlayabilir, aynı varlık hakkındaki farklı kaynaklardan gelen olguları birleştirebilir ve doğrudan belirtilmemiş olguları çıkarabilir. 2012'de kullanıma sunulan Google'ın Bilgi Grafiği, arama sonuçlarının yanında görünen bilgi panellerini sağlar. Wikimedia gönüllülerinin yönettiği ücretsiz bilgi grafiği Wikidata ise 100 milyondan fazla öğe içerir.

Varlıklar, İlişkiler ve Üçlüler#

• Varlıklar (düğümler): Ontolojiye göre kişi, şehir veya kimyasal bileşik gibi türlere ayrılan, kimliği olan şeylerdir.
• İlişkiler (kenarlar): "Doğduğu yer" veya "başkenti" gibi yönlü ve etiketli bağlantılardır. Etiket anlam taşır; bu nedenle (Varşova, başkentidir, Polonya) ve (Polonya, başkentidir, Varşova) farklı iddialardır.
• Öznitelikler: Doğum tarihi veya nüfus gibi bir varlığa bağlı gerçek değerlerdir.
• Ontoloji: Sınıfların, ilişki türlerinin ve kuralların şemasıdır. Örneğin her başkentin bir şehir olduğunu belirler ve bir çıkarım motorunun mevcut olgulardan yeni olgular türetmesini sağlar.

İki veri modeli öne çıkar. W3C'nin Kaynak Tanımlama Çerçevesi (RDF), her varlığı ve ilişkiyi bir web URI'siyle tanımlar ve SPARQL ile sorgulanan yalın üçlüleri saklar; bu yapı Wikidata gibi açık, bağlantılı veriler için uygundur. Neo4j gibi grafik veritabanlarında kullanılan özellik grafikleri, düğümlerin ve kenarların anahtar-değer özellikleri taşımasına izin verir ve Cypher veya GQL gibi dillerle sorgulanır. ISO, GQL'yi Nisan 2024'te standart olarak yayımladı.

Bu küçük grafikte "Marie Curie hangi ülkede doğdu?" sorusunun yanıtı, Marie Curie'den Varşova üzerinden Polonya'ya giden iki adımlı bir yoldur; ortak "kazandı" kenarları ise her iki Curie'yi 1903'te birlikte aldıkları ödüme bağlar.

Bilgi Grafiği Oluşturma ve Sorgulama#

Grafikler, derlenmiş veritabanlarından, metinlerden adlandırılmış varlık tanıma (NER) ve giderek daha çok büyük dil modellerinin (LLM'ler) gerçekleştirdiği ilişki çıkarımı yoluyla ve görüntülerden elde edilen bilgilerle doldurulur. Varlık çözümleme daha sonra "M. Curie" ve "Marie Skłodowska-Curie" gibi aynı şeyi belirten farklı ifadeleri tek bir düğümde birleştirir. Açık sorguların ötesinde TransE gibi bilgi grafiği gömme yöntemleri, her varlık ve ilişkiyi bir vektör olarak gösterir ve baş artı ilişki toplamının kuyruğa ne kadar yakın olduğunu hesaplayarak aday üçlüleri puanlar; bu da eksik bağlantıları tahmin eder. Graf sinir ağları ise doğrudan grafiğin yapısından öğrenir.

Bilgisayarlı görü, görüntülerden varlık ve ilişkiler çıkarır. Bir YOLO26 dedektörünün çıktısı (görüntü, içerir, sınıf) üçlülerine dönüşür. Bu üçlülerin arka plan bilgileriyle birleştirilmesi, görüntüde hangi araç türlerinin bulunduğu gibi dedektörün tek başına yanıtlayamayacağı soruların yanıtlanmasını sağlar:

import networkx as nx
from ultralytics import YOLO

# Detect objects in an image
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Each detected class becomes an entity node linked to the image
graph = nx.DiGraph()
for class_id in result.boxes.cls.int().tolist():
    graph.add_edge("bus.jpg", result.names[class_id], relation="contains")

# Background knowledge as (subject, relation, object) triples
for subject, relation, obj in [("bus", "is_a", "vehicle"), ("car", "is_a", "vehicle"), ("person", "is_a", "human")]:
    graph.add_edge(subject, obj, relation=relation)

# Two-hop query: which detected entities are vehicles?
vehicles = [node for node in graph.successors("bus.jpg") if graph.has_edge(node, "vehicle")]
print(f"Vehicles in bus.jpg: {vehicles}")

Bilgi Grafikleri ve Büyük Dil Modelleri#

LLM'ler bilgiyi ağırlıklarında örtük biçimde saklar; bu da olgularını incelemeyi veya güncellemeyi zorlaştırır ve halüsinasyon riskini artırır. Bilgi grafikleri olguları, alıntılanabilir kaynaklar ve hemen etkili olan düzenlemelerle açıkça saklar. GraphRAG ikisini birleştirir: Yalıtılmış metin parçaları yerine birbiriyle bağlantılı varlıkları, ilişki yollarını veya graf topluluklarının özetlerini getirerek getirim destekli üretimi (RAG) genişletir. Bu yaklaşım, geciken bir parçanın hangi tedarikçilerinin başka bir tesise de hizmet verdiği gibi çok adımlı sorulara yardımcı olur. LLM'ler ayrıca mevcut grafikler üzerinde SPARQL veya Cypher sorguları oluşturmak için doğal dildeki soruları çevirebilir.

Gerçek Dünya Uygulamaları#

• Arama ve asistanlar: Varlık panelleri, doğrudan yanıtlar ve sesli asistanlar; kişiler, yerler ve kuruluşlarla ilgili olguları geniş, derlenmiş grafiklerde arar.
• İlaç keşfi: Biyomedikal grafikler genleri, proteinleri, bileşikleri, hastalıkları ve yan etkileri birbirine bağlar. Bağlantı tahmini, olası ilaç hedefleri veya onaylı ilaçlar için yeni kullanım alanları önerir.
• Dolandırıcılık tespiti: Cihazları, adresleri veya ödeme kartlarını paylaşan hesaplar birbirine bağlı halkalar oluşturur. Her hesap tek başına normal görünse bile grafikteki bağlantılar izlendiğinde bu halkalar belirginleşir.
• Sahne anlama: Sahne grafikleri, bir görüntüyü nesneler ve aralarındaki ilişkiler olarak tanımlar; örneğin (kişi, biniyor, at). Visual Genome veri kümesi, sahneler hakkında soruları yanıtlayan modelleri eğitmek için 100.000'den fazla görüntüyü bu şekilde etiketler.

Bilgi Grafikleri ve İlgili Veri Depoları#

• İlişkisel veritabanları: İşlemler için sabit şemaya uygun olacak şekilde, dış anahtarlarla birbirine bağlanan kayıtları tablolarda saklar. "Bu ürünü alan kişilerin arkadaşları" gibi çok adımlı sorular her adımda bir birleştirme gerektirirken grafik, saklanan kenarları doğrudan izler.
• Vektör veritabanları: Açık bağlantılar olmadan ilişkili içeriği bulan gömme benzerliğine göre öğeleri getirir. Bilgi grafiği iki varlığın nasıl ilişkili olduğunu açıkça kaydeder; karma sistemler ikisini de kullanır.
• Ontolojiler: Ontoloji, türlerin ve kuralların şemasıdır; bilgi grafiği ise Wikidata'daki milyonlarca kişi, yer ve eser gibi örnek olgularla doldurulmuş bu şemadır.