Граф знаний

Граф знаний — формализованное представление знаний в виде ориентированного графа: узлы соответствуют сущностям (людям, компаниям, продуктам, концепциям), а рёбра — типизированным отношениям между ними. Каждый факт кодируется тройкой (субъект, предикат, объект) в формате RDF или аналогичном, что делает знания машиночитаемыми и логически связными.

Графы знаний строятся из структурированных источников (баз данных, таблиц), неструктурированных текстов (с помощью NLP-извлечения сущностей и отношений) или вручную экспертами. Для хранения используются специализированные графовые СУБД: Neo4j, Amazon Neptune, Apache Jena. Запросы к графу выполняются через языки SPARQL или Cypher, а в гибридных RAG+KG-системах граф дополняет векторный поиск структурной и логической информацией.

В отличие от векторных баз, граф знаний явно кодирует логические связи и допускает точные многошаговые запросы — например, «найди всех сотрудников компании X, работавших в отделе Y в 2022 году». Это критически важно для приложений, требующих точности и объяснимости: корпоративных систем управления знаниями, биомедицинских баз данных, рекомендательных систем.

Крупнейшие публичные графы знаний — Wikidata (более 110 млн объектов по состоянию на 2025 год), Google Knowledge Graph, интегрированный в поиск. В 2024–2025 годах Microsoft Research развила подход GraphRAG: LLM строит граф сущностей и связей из корпуса документов, а затем использует его для навигации при ответе на вопросы, что превосходит чистый векторный поиск на «глобальных» аналитических запросах.

Пример

“В системе клинической поддержки принятия решений граф знаний кодирует связи между лекарствами, побочными эффектами и заболеваниями; LLM запрашивает граф через Cypher перед формированием рекомендации и может объяснить каждый шаг рассуждения со ссылкой на конкретное ребро графа.