ナレッジグラフ
ナレッジグラフ(knowledge graph)とは、人、製品、場所、概念などのエンティティを名前の付いた関係で結んで情報を保存するものです。ソフトウェアは、ばらばらのテキストを検索する代わりに、事実の間のつながりをたどれます。
別名: KG
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
ナレッジグラフでは、「Acme Corp」「Jane Doe」「Berlin」がノードになり、エッジがそれらの関係を示します。Jane Doe は Acme Corp で働いている、Acme Corp は Berlin に拠点がある、といった具合です。事実は主語、関係、目的語の 3 つ組で書かれることがよくあります。Neo4j などのグラフデータベースや、RDF、SPARQL などの標準が、保存と問い合わせの一般的な方法です。
AI にとっての重要性
ベクトル検索は、質問に似た文章を見つけます。「Berlin のオフィスの取引先のうち、競合他社とも取引しているのはどこか?」のように、何段階もたどる必要がある質問には弱い手法です。グラフならエッジをたどって答えられます。また、グラフはモデルが回答をグラウンディングするための、整った構造化された事実を与えるので、ハルシネーションを減らせることがあります。
どう作られるか
整備されたグラフは、手作業か構造化データから作られます。新しい方法では、LLM を使って文書からエンティティと関係を自動で抜き出します。これが GraphRAG の最初の手順です。抽出の誤りやエンティティの重複(「IBM」と「International Business Machines」)がよくある問題です。
ナレッジグラフとナレッジベースの違い
ナレッジベースは、システムが利用できる情報の集まり全般です。ナレッジグラフは、エンティティ間の明示的なつながりによってそれを構造化する方法の 1 つです。
ツールの比較はナレッジグラフのガイドにあります。エージェントメモリのシステムも、事実をグラフとして保存することが増えています。
関連用語
- GraphRAG
- GraphRAG は、LLM がまず文書のコレクションからナレッジグラフを作り、関連するエンティティのグループごとに要約を書いたうえで、その要約とグラフのつながりを使って質問に答える検索の手法です。
- ナレッジベース(AI)
- AI アプリにおけるナレッジベース(knowledge base)とは、ヘルプ記事、規程、製品ドキュメントなど、アシスタントやエージ ェントが質問に答えるために検索する文書とデータの集まりです。モデルそのものとは別に管理されます。
- 検索拡張生成(RAG)
- 検索拡張生成(retrieval-augmented generation、RAG)とは、システムがまず文書の集まりから質問に関連する文章を検索し、その文章を言語モデルに渡して、それに基づいて回答させるパターンです。
- エージェントメモリ
- エージェントメモリ(agent memory)とは、ユーザーに関する事実や過去の作業など、1 つのコンテキストウィンドウを超えて AI エージェントが情報を保持するための技術の総称です。情報をモデルの外に保存し、必要なときに読み込み直します。
- グラウンディング
- グラウンディング(grounding)とは、言語モデルの回答を、検索結果、文書、データベースなど、確認できる特定の情報源に結びつけることです。主張が学習データだけでなく、与えられた根拠に基づくようにします。