ナレッジグラフの構造から得られるもの

ナレッジグラフはネットワーク構造を持ちます。モノはノード、関係はエッジになります。ネットワーク構造から得られる知見もいくつかあります。例えばエッジの接続数からどのノード同士が関連性が高いかを分析してコミュニティ検出ができます。これを利用してソーシャルネットワークから分析する場合、同じ嗜好性を持った特定コミュニティに対して販売促進をするといったことが可能になります。
また人や連絡先、カード番号といった関連性が問題解決のカギになるクレジットカードの詐欺検知といったことにも利用されております。

機械学習への適用

機械学習を用いて分類や予測といったものはポピュラーですが、ナレッジグラフでも機械学習が適用されています。
ナレッジグラフに機械学習を適用することでノードを分類したり、ノードとノード間のエッジを予測したり、クラスタリングしてサブグラフを構成したりすることが可能となります。
販売管理ナレッジグラフを考えた場合、ユーザと商品というノードが購入というエッジでリンクされます。まだユーザが未購入の商品に対してエッジが接続されるべきかどうかを予測し、エッジが接続できると予測された商品を、お薦め商品として紹介するといったことが可能になります。
多数の製品やコンテンツを抱える業者にとって、商品の特徴を示すワードとなるタグ付けは重要な作業となりますが、手作業では大変である。そこで、モノとタグをエッジで接続し、エッジの予測ができれば自動的に付与することができます。

検索システムとナレッジグラフ

ナレッジグラフに然るべきデータがあれば、ユーザが指定した検索ワードを元に、グラフ内をノードとエッジを経由して探索ながら、関連する単語情報を取得します。それを背景情報として、検索クエリに含めて、よりユーザの要望に応えた検索結果を得ることができます。googleでもナレッジグラフが活用されています。
検索結果でサイト情報とは別に、検索対象を端的に説明するナレッジパネルナレッジパネルでご覧なった方も多いかと思います。

LLMとナレッジグラフ

現在、LLMはChatGPTを筆頭に大きな話題となっております。各所での活躍は衆目の一致するところですが、LLMではハルシネーション（事実とは異なる回答）を生成したり、最近の情報であったり個別の情報については取得できないといった問題があります。
最新情報や個別情報の取得はRAGを使用することで解決できる例も多いですが、必ずしもよい結果が得られていない現状もございます。
特に組織固有の用語等を使用している場合は基本的には対応が困難となります。RAGにナレッジグラフを用いることで、事実関係を読み取ることができるため、ハルシネーションや組織固有の用語といった課題に対応することができます。

ナレッジグラフを始めてみる

ナレッジグラフはその表現方法の理解のしやすさから気軽に始められます。まずは紙とペンやホワイトボードを用意して、思いついたモノとモノをつないでいってください。
実際のシステムで利用するにあたって、手作業でのナレッジグラフの作成・維持管理作業はとても大変です。自動構築の手法は以前から検討されていてテキスト文書、現在だとLLMを用いた手法が積極的に展開されています。テキスト文書から固有表現、品詞、依存関係等を抽出して構築します。但しノイズも多くなり実装上の工夫も必要となります。それらの補う形でLLMによる自動構築も日々検討されています。
豊富なナレッジグラフに関する情報を持つモデルを用いて自動構築することができます。それでもまだまだ課題はありますが、よりナレッジが身近になり、活用が進んでいくことが予想されます。