Knowledge Graph
Was ist ein Knowledge Graph?
Ein Knowledge Graph ist ein graph-strukturiertes Datenmodell, bei dem Knoten (Nodes) reale Entitäten repräsentieren – Personen, Orte, Konzepte, Produkte – und Kanten (Edges) typisierte, gerichtete Beziehungen zwischen diesen Entitäten beschreiben. Die atomare Einheit ist dabei ein sogenanntes RDF-Triple (Resource Description Framework), zum Beispiel (Paris, capitalOf, France). Dieser W3C-Standard bildet das technische Rückgrat vieler produktiver Implementierungen. Der entscheidende Unterschied zu klassischen relationalen Datenbanken: Beziehungen sind hier keine impliziten Schema-Joins, sondern explizit modellierte First-Class Objects. Das bedeutet, ein Knowledge Graph kann nicht nur gespeicherte Daten abrufen – er kann durch Inferenz neue Fakten aus bestehenden ableiten. Eine Ontologie definiert dabei das Typsystem: welche Entitätsklassen existieren, welche Properties erlaubt sind, welche Axiome gelten. Ohne Ontologie ist ein Knowledge Graph eine bloße Faktenliste. Mit ihr entsteht semantische Verankerung – die Grundlage dafür, dass sowohl Menschen als auch KI-Modelle den Inhalt ohne Mehrdeutigkeit interpretieren können.
Wie funktioniert ein Knowledge Graph?
Architektonisch besteht ein Knowledge Graph aus vier Kernkomponenten: Entitäten, Relationen, Literale und dem ontologischen Schema. Jede Entität erhält eine eindeutige Kennung – in RDF-konformen Systemen typischerweise einen IRI (Internationalized Resource Identifier). Das Schema unterteilt sich in zwei logische Schichten: die TBox (Terminological Box), die Klassen, Properties und Axiome definiert, und die ABox (Assertional Box), die die konkreten Instanzen und Aussagen enthält. Gespeichert werden Knowledge Graphs wahlweise in dedizierten Graph Databases, in Triple Stores oder in relationalen Backends mit einem Graph Query Layer. Die Abfrage erfolgt über Sprachen wie SPARQL. In modernen KI-Architekturen gewinnt die Kombination mit Large Language Models (LLMs) an Bedeutung: Knowledge Graphs liefern dabei strukturiertes, faktentreues Kontextwissen, das die bekannte Halluzinationsneigung von LLMs reduziert. Dieser Ansatz – oft als Graph-augmented Generation oder im Kontext von Agentensystemen als Context Graph bezeichnet – ist aktuell eines der aktivsten Forschungsfelder an der Schnittstelle von symbolischer KI und neuronalen Netzen.
Knowledge Graph in der Praxis
Drei Einsatzszenarien zeigen die Bandbreite des Konzepts. Erstens: Google Search. Der Google Knowledge Graph wertet strukturierte Daten nach Schema.org-Standard aus – in der Regel als JSON-LD eingebettet – und speist daraus die Info-Panels in den Suchergebnissen. Webseitenbetreiber, die ihr Markup korrekt pflegen, erhalten damit direkte Sichtbarkeit in Google-Oberflächen. Zweitens: Enterprise Data Architecture. Unternehmen wie Banken und Pharmafirmen nutzen interne Knowledge Graphs, um Kundendaten, regulatorische Anforderungen und Produktinformationen semantisch zu verknüpfen. In Customer Data Platforms (CDPs) ermöglichen sogenannte Identitätsgraphen die 360-Grad-Sicht auf den Kunden über verschiedene Touchpoints hinweg. Drittens: Biomedizinische Informatik. Forschungsdatenbanken modellieren Wirkstoffe, Gene, Krankheiten und Studien als Knowledge Graph – ein Query kann damit nicht nur direkte Beziehungen, sondern auch mehrstufige Inferenzketten aufdecken, die in einer klassischen Datenbank schlicht nicht abbildbar wären.
Vorteile und Grenzen
Der stärkste Vorteil eines Knowledge Graph ist seine Inferenzfähigkeit: Das System leitet aus gespeicherten Fakten neue Schlüsse ab, ohne dass diese explizit eingetragen sein müssen. Dazu kommt die Interoperabilität durch offene Standards wie RDF und SPARQL – Knowledge Graphs verschiedener Organisationen lassen sich verknüpfen, wie das Linked-Open-Data-Ökosystem zeigt. Für KI-Systeme bieten sie präzisen, eindeutigen Kontext, der die Qualität von Retrieval-Augmented-Generation-Systemen messbar verbessert. Die Grenzen sind allerdings substanziell: Der Aufbau einer validen Ontologie ist aufwendig und erfordert Domain-Expertise, die sich nicht automatisieren lässt. Skalierbarkeit wird bei sehr großen Graphen mit dichten Beziehungsnetzen zum echten Engineering-Problem. Und schließlich: Knowledge Graphs sind so gut wie ihre Datenpflege. Veraltete oder fehlerhafte Einträge propagieren sich durch Inferenzketten – ein Qualitätsproblem, das sich in herkömmlichen Datenbanken lokal begrenzen lässt, hier aber systemische Auswirkungen haben kann.