Knowledge Graph

Definition

Ein Knowledge Graph ist eine strukturierte Wissensrepräsentation, in der Entitäten als Knoten, ihre Beziehungen als Kanten und ihre Eigenschaften als Properties modelliert sind. Diese Struktur ermöglicht es Maschinen, faktisches Wissen direkt abzufragen, zu traversieren und in Antworten zu integrieren.

Im Unterschied zu unstrukturiertem Text oder klassischen relationalen Datenbanken trägt jeder Knoten und jede Kante semantische Typen aus einer Ontologie. Ein Knoten für Albert Einstein ist nicht nur eine Zeile in einer Tabelle, sondern eine Instanz der Klasse Person, verbunden via geboren_in mit Ulm und via Beruf mit Physiker.

Geschichte

Die akademischen Wurzeln liegen in semantischen Netzen der 1960er Jahre und im Semantic Web, das Tim Berners-Lee 2001 in der Scientific American skizzierte. 1999 standardisierte das W3C RDF (Resource Description Framework), 2008 folgte SPARQL als Query-Sprache.

Der Durchbruch im Mainstream kam 2012, als Google den Google Knowledge Graph einführte und damit den Begriff populär machte. Microsoft folgte mit Satori, Facebook mit dem Open Graph, später kamen branchenspezifische Graphs für Medizin, Pharma, Recht und E-Commerce hinzu. BARC-Studien zur Knowledge-Graph-Adoption zeigen seit 2020 stetiges Wachstum in Enterprise-Kontexten.

Grosse Beispiele

• Wikidata: offener, multilingualer Knowledge Graph der Wikimedia Foundation, 2026 mit über 110 Millionen Entitäten. De-facto-Backbone des offenen semantischen Webs.
• DBpedia: strukturierte Extraktion aus Wikipedia-Infoboxen.
• Google Knowledge Graph: proprietär, treibt die Knowledge Panels in Google Search.
• Microsoft Satori: treibt Bing-Antwortboxen und Microsoft Graph.
• Amazon Product Graph: Produkt-Beziehungen für Suche und Empfehlungen.
• YAGO: akademischer Graph, Kombination aus Wikipedia und WordNet.

Technische Grundlagen

Die Standardarchitektur basiert auf:

• RDF: Triple-Statements (Subjekt, Prädikat, Objekt) als atomare Wissenseinheit.
• OWL: Web Ontology Language für formale Ontologie-Definitionen mit Inferenz.
• SPARQL: Query-Sprache zum Abfragen von RDF-Graphs.
• Property Graphs: Alternativ-Modell von Neo4j und ähnlichen DBs, weniger formal, aber industriell verbreitet.
• JSON-LD: Web-freundliche Serialisierung von RDF, dominantes Format für Schema.org-Einbettung.

Aufbau eines Knowledge Graph

Der Aufbau folgt typischerweise drei Phasen:

• Ontologie-Modellierung: Welche Klassen, Relationen und Attribute gibt es. Schema.org liefert eine Standardontologie für allgemeines Web-Wissen.
• Entity Extraction: Aus unstrukturierten Quellen (Text, HTML, PDF) werden Entitäten erkannt. Klassisch via NER (Named Entity Recognition), modern via LLM-basierte Extraktion.
• Entity Linking: Jede erkannte Entität wird auf eine eindeutige Identität abgebildet (z. B. Wikidata-QID). Dies ist der schwierigste Schritt und entscheidet über die Qualität des Graphs.

Nach Aufbau folgen kontinuierliche Pflege: Schema-Migrationen, Quellen-Aktualisierung, Konflikterkennung, Provenance-Tracking.

Anwendungen

• Suche: Knowledge Panels, Direct Answers, Entity Cards.
• Empfehlungen: Produktähnlichkeit, Personalisierung, Cross-Selling.
• LLM-Grounding: Faktische Basis für RAG- und GraphRAG-Pipelines.
• Compliance und Risk: Beziehungen zwischen Unternehmen, Personen, Sanktionslisten.
• Pharma und Life Sciences: Drug-Target-Disease-Mapping.
• Enterprise Search: semantische Verknüpfung interner Wissensquellen.

Brücke zu LLMs

Knowledge Graphs lösen ein Kernproblem von Sprachmodellen: faktische Eindeutigkeit. Ein LLM weiss, dass Paris die Hauptstadt von Frankreich ist, aber die Antwort ist statistisch. Ein Knowledge Graph speichert dieses Faktum als verifizierbares Triple. GraphRAG-Architekturen kombinieren beide: das LLM generiert flüssigen Text, der Graph liefert die geprüften Fakten.

2026 ist die Verknüpfung von eigenen Inhalten mit Wikidata via sameAs-Properties ein zentraler Hebel, um in LLM-Antworten als kanonische Quelle zitiert zu werden.

Häufige Fehler

• Schwache Ontologie: zu flache Hierarchie oder fehlende Standardvokabulare.
• Fehlendes Entity Linking: Entitäten ohne Verknüpfung zu Wikidata bleiben isoliert.
• Keine Provenance: ohne Quelle pro Triple ist Audit nicht möglich.
• Vermischung von Schema und Daten: Ontologie-Änderungen brechen Anfragen.
• Über-Investition in OWL-Inferenz: in der Praxis selten benötigt, teuer in der Pflege.

Abgrenzung

• Relationale Datenbank: flache Tabellen, kein semantischer Typ pro Beziehung.
• Graph-Datenbank: Speicher-Technologie, ein Knowledge Graph ist die semantische Anwendung darauf.
• Ontologie: das Schema, ein Knowledge Graph ist die Instanziierung mit Daten.
• Vector Database: speichert Embeddings, kein explizites Faktenwissen.
• Wikipedia: Volltext-Enzyklopädie, Wikidata ist der zugehörige Knowledge Graph.