Ein Knowledge Graph ist eine graphbasierte Wissensrepräsentation, in der Entitäten wie Personen, Unternehmen, Orte oder Konzepte über explizite Beziehungen miteinander verbunden werden. Knowledge Graphs kombinieren häufig Identitäten, Schemata, Kontext und Daten aus mehreren Quellen, um Wissen strukturiert abfragbar und verknüpfbar zu machen.
Was ist ein Knowledge Graph?
Ein Knowledge Graph beschreibt Wissen als Netzwerk. Knoten repräsentieren beispielsweise Personen, Unternehmen, Produkte, Orte oder Fachbegriffe. Kanten beschreiben Beziehungen zwischen diesen Entitäten: „Unternehmen A stellt Produkt B her“, „Person C arbeitet bei Unternehmen A“ oder „Begriff D ist verwandt mit Begriff E“.
Dadurch werden Zusammenhänge expliziter als in reinem Fließtext. Systeme können Beziehungen abfragen, kombinieren und über mehrere Datenquellen hinweg verknüpfen.
Fachliche Grundlage: Mehr als nur eine Graphdatenbank
Hogan et al. veröffentlichten 2021 in ACM Computing Surveys einen umfassenden Überblick zu Knowledge Graphs. Die Autoren diskutieren graphbasierte Datenmodelle, Schemata, Identität, Kontext, Wissensextraktion, Qualität, Anreicherung und Veröffentlichung. Diese Breite ist wichtig: Ein Knowledge Graph ist nicht einfach jede Datenbank, die Graphkanten speichern kann.
Die fachliche Herausforderung besteht darin, zu definieren, was eine Entität ist, wie Identitäten zusammengeführt werden, welche Beziehungstypen zulässig sind und wie Herkunft beziehungsweise Kontext von Aussagen erhalten bleibt.
Wie sieht ein einfaches Modell aus?
Wils Solutions — bietet an → Individuelle Softwareentwicklung
Individuelle Softwareentwicklung — verwendet → Requirements Engineering
Requirements Engineering — verwandt mit → Use Case
Aus einzelnen Aussagen entsteht ein Netz. Dieses Netz kann um Attribute, Quellen, Zeitbezug und weitere Beziehungstypen ergänzt werden.
Schema und Ontologie
Ein Graph wird wertvoller, wenn klar definiert ist, welche Arten von Knoten und Beziehungen existieren. Ein Schema oder eine Ontologie kann beispielsweise festlegen, dass eine Organisation Leistungen anbietet, Personen Rollen besitzen oder ein Fachbegriff einen übergeordneten Begriff hat.
Zu starre Modelle erschweren allerdings Änderungen; zu freie Modelle erzeugen inkonsistente Daten. Knowledge-Graph-Design ist deshalb immer auch Informationsmodellierung.
Identität ist ein Kernproblem
Mehrere Datenquellen können dieselbe reale Entität unterschiedlich benennen. „Wils Solutions GmbH“, „Wils Solutions“ und eine interne Firmen-ID können auf dasselbe Unternehmen verweisen. Entity Resolution beziehungsweise Identity Management entscheidet, ob solche Datensätze zusammengeführt werden dürfen.
Fehler an dieser Stelle sind kritisch: Werden zwei verschiedene Personen fälschlich als dieselbe Entität behandelt, verbreitet sich der Fehler über alle Beziehungen.
Knowledge Graph und generative KI
Knowledge Graphs und LLMs verfolgen unterschiedliche Stärken. Ein Graph bietet explizite, strukturierte Beziehungen. Ein LLM verarbeitet und erzeugt flexible natürliche Sprache. In hybriden Systemen kann ein Knowledge Graph deshalb als zusätzliche Wissensquelle, als Filter oder für strukturierte Abfragen dienen.
Auch GraphRAG-Ansätze versuchen, graphbasierte Strukturen mit Retrieval und generativer KI zu verbinden. Das bedeutet jedoch nicht, dass jeder RAG-Anwendungsfall einen Knowledge Graph braucht. Für viele Dokumentensuchen ist ein klassischer Retrieval-Index zunächst einfacher.
Knowledge Graph und SEO/GEO
Die Idee expliziter Entitäten ist auch für Webinhalte relevant. Strukturierte Daten auf Basis von Schema.org beschreiben Entitäten und Beziehungen maschinenlesbar. Das ist nicht dasselbe wie ein interner Knowledge Graph, folgt aber einer verwandten Denkweise: Inhalte werden nicht nur als Zeichenfolge, sondern als Aussagen über Dinge strukturiert.
Für eine Website kann eine konsistente Entitätsstruktur helfen, Personen, Organisation, Leistungen, Orte und Fachbegriffe eindeutig miteinander zu verbinden. Daraus folgt jedoch keine Garantie auf Rankings oder KI-Zitationen.
Typische Einsatzfelder
- Unternehmenswissen über Systeme hinweg integrieren,
- Stammdaten und Entitäten verknüpfen,
- semantische Navigation und Empfehlung,
- Forschungs- und Wissensmanagement,
- Compliance- und Beziehungsanalysen,
- strukturierte Wissensquellen für KI-Anwendungen.
Wann lohnt sich ein Knowledge Graph – und wann nicht?
Ein Knowledge Graph lohnt sich besonders, wenn Fragen über Beziehungen hinweg beantwortet werden müssen: Welche Maschinen verwenden Bauteile eines zurückgerufenen Lieferanten? Welche Leistungen hängen von einer bestimmten Richtlinie ab? Welche Personen besitzen Rollen in mehreren Organisationseinheiten?
Wenn dagegen primär Volltextdokumente durchsucht werden sollen, kann ein klassischer Such- oder RAG-Index zunächst wesentlich einfacher sein. Ein Knowledge Graph erhöht Modellierungs- und Governance-Aufwand. Sein Einsatz sollte daher durch konkrete Beziehungsfragen begründet sein.
Fazit
Knowledge Graphs machen Entitäten und Beziehungen explizit. Ihr Nutzen entsteht besonders bei heterogenen Datenbeständen, komplexen Beziehungen und Fragen, die über einzelne Dokumente hinausgehen. Entscheidend sind jedoch Datenmodell, Identitätsmanagement, Quellenqualität und Governance – nicht allein die Graphtechnologie.
Passende Leistungen von Wils Solutions
Häufige Fragen
Ist ein Knowledge Graph eine Graphdatenbank?
Nicht zwingend. Eine Graphdatenbank kann technische Grundlage sein, aber ein Knowledge Graph umfasst zusätzlich die semantische Modellierung von Entitäten, Beziehungen, Identität und Kontext.
Was ist der Unterschied zwischen Knowledge Graph und RAG?
Ein Knowledge Graph repräsentiert Wissen explizit als Entitäten und Beziehungen. RAG ist ein Architekturansatz, bei dem externe Informationen vor einer generativen Antwort abgerufen werden. Beide können kombiniert werden.
Braucht SEO einen Knowledge Graph?
Nein. Knowledge-Graph-Denken kann Entitätsstrukturen unterstützen, ist aber keine Voraussetzung für SEO.