Граф знаний

Граф знаний — структурированная база данных, представляющая факты в виде троек «субъект — отношение — объект», позволяющая AI-системам выполнять точные многошаговые рассуждения о сущностях и связях между ними.

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.