Was ist ein Wissensgraph? Ein leicht verständlicher Leitfaden mit Beispielen

Ein Wissensgraph stellt Wissen als Dinge dar, die durch bedeutungsvolle Beziehungen miteinander verbunden sind: Menschen, Bücher, Projekte und Ideen werden zu Knoten, ihre Verbindungen zu Kanten. Zum Beispiel: Maya schrieb Field Notes, und Field Notes behandelt Urban Gardening. Diese drei Knoten und zwei benannten Beziehungen bilden einen kleinen Wissensgraphen – nicht bloß eine Liste verwandter Wörter.

Ein einfaches Beispiel: Dinge, Verbindungen, Fragen

Stell dir ein Notizbuch für deine Lektüre vor, in dem dieser fiktive Autor, das Buch und das Thema vorkommen. Du könntest die Informationen in Sätzen festhalten oder die Beziehungen explizit darstellen:

Maya → wrote → Field Notes
Field Notes → discusses → Urban Gardening

Starte jetzt bei Maya und folge den Verbindungen. Welches Thema behandelt ihr Buch? Starte stattdessen bei Urban Gardening: Welche Bücher behandeln dieses Thema und wer hat sie geschrieben?

Das ist die praktische Idee hinter einem Wissensgraphen. Er hält fest, womit etwas verbunden ist und wie, damit Menschen oder Software diesen Verbindungen folgen können, statt sie aus verstreuten Texten rekonstruieren zu müssen.

Das Wort „Wissen“ ist wichtig. Eine Linie zwischen Maya und Field Notes sagt für sich genommen wenig aus. Eine Linie mit der Beschriftung wrote trifft eine konkrete Aussage. Änderst du die Beschriftung in reviewed, ergibt sich eine andere Tatsache.

Die Bausteine eines Wissensgraphen

Entitäten: die Dinge, die du beschreibst

Eine Entität ist ein bestimmtes Objekt oder Konzept, das durch einen Knoten dargestellt wird. Das kann eine Person, eine Organisation, ein Ort, ein Ereignis, ein Dokument oder ein Thema sein. In unserem Beispiel ist Maya eine Person, Field Notes ein Buch und urbanes Gärtnern ein Thema.

Trenne die Identität vom angezeigten Namen. Wenn dein Notizbuch zwei Personen namens Maya enthält, führe sie nicht zusammen, nur weil ihre Bezeichnungen übereinstimmen. Umgekehrt können sich „Maya“ und „Maya — Autorin“ auf dieselbe Person beziehen. Zu entscheiden, welche Datensätze dieselbe Entität beschreiben, gehört zum Aufbau eines nützlichen Graphen.

Beziehungen: Was die Entitäten verbindet

Eine Kante verbindet Knoten. Ihr Typ beschreibt die Beziehung: zum Beispiel wrote, works-for, depends-on oder discusses.

Auch die Richtung zählt. „Maya hat Feldnotizen geschrieben“ ist nicht dieselbe Aussage wie „Feldnotizen haben Maya geschrieben“. Wähle Bezeichnungen, die du als Sätze laut vorlesen kannst; holprige Sätze deuten oft auf ein unklares Modell hin.

Eigenschaften: Details zu einem Element oder einer Verbindung

Eigenschaften beschreiben eine Entität oder Beziehung. Für unser fiktives Buch könntest du einen Titel und den Lesestatus erfassen. Für Maya könntest du einen Anzeigenamen erfassen.

Soll ein Detail eine Eigenschaft oder ein weiterer Knoten sein? Frag dich bei einem ersten Projekt, ob du andere Dinge damit verknüpfen möchtest. Ein Lesestatus kann eine Eigenschaft bleiben; ein Thema sollte einen eigenen Knoten bekommen, wenn du mehrere Bücher darüber miteinander verknüpfen möchtest.

Tripel: eine Aussage nach der anderen

Ein Tripel drückt eine Tatsache in der Form Subjekt–Prädikat–Objekt aus. Für Maya → wrote → Field Notes:

• Subjekt: Maya – die Entität, mit der die Aussage beginnt.
• Prädikat: schrieb – die Beziehung, die ausgesagt wird.
• Objekt: Field Notes – das Ziel dieser Beziehung.

Tripel sind eine kompakte Möglichkeit, das Modell zu verstehen. Wenn du in einer Notiz-App arbeitest, musst du nicht jede Verbindung in dieser Notation festhalten; eine benannte Relation kann denselben Grundgedanken ausdrücken.

Für Entwickler gibt es verschiedene Ansätze zur Umsetzung. Esri unterscheidet zwischen Property-Graphen und RDF-Graphen: Property-Graphen ordnen Knoten und Beziehungen Eigenschaften als Schlüssel-Wert-Paare zu, während RDF Aussagen als Tripel darstellt. Der Begriff „Wissensgraph“ legt kein bestimmtes Speicherformat fest.

Schema und Ontologie: das gemeinsame Vokabular

Ein Schema legt fest, welche Arten von Entitäten und Beziehungen dein Modell verwendet. Unser Lesegraph könnte Folgendes zulassen:

Person → wrote → Book
Book → discusses → Topic

Eine Ontologie formalisiert Bedeutungen und kann zusätzliche Beziehungen zwischen Typen definieren. Graphwise beschreibt eine Ontologie als Vereinbarung über Bedeutung zwischen den Entwicklern eines Graphen und seinen Nutzern, zu denen auch Software zählt.

Beginne bei einem kleinen Notizbuch mit einem überschaubaren Vokabular statt mit einem umfangreichen formalen Modell. Halte fest, was jede Relation bedeutet. Bedeutet discusses, dass ein Buch ein Thema ausführlich behandelt oder es nur erwähnt? Wenn du die Relationen einheitlich verwendest, lassen sich die entstehenden Verbindungen nachvollziehen.

Beispiele für Wissensgraphen: Google und Wikidata

Google Knowledge Graph

Der Google Knowledge Graph ist ein bekanntes Beispiel, da seine Informationen in den Suchergebnissen erscheinen. Der Überblick von IBM erläutert, dass er Informationen auf Grundlage der Suchanfragen von Nutzern bereitstellt, und nennt als Quellen unter anderem Freebase, Wikipedia und das CIA World Factbook.

Hilfreich ist die Unterscheidung zwischen einem Wort und der Entität, die es bezeichnet. IBM erklärt am Beispiel von Apple als Unternehmen und dem Apfel als Frucht, wie Schemata, Identität und Kontext helfen, Bedeutungen voneinander abzugrenzen. Ein Suchsystem braucht diese Unterscheidung, um Informationen zum richtigen Gegenstand zu liefern.

Wikidata

Wikidata ist ein offener Wissensgraph, der mit Wikipedia verbunden ist. Zum Zeitpunkt der Erstellung dieses Textes gibt IBM in seiner Übersicht über 120 Millionen Einträge in 300 Sprachen an.

Die Größenordnung ist eine ganz andere als bei einem persönlichen Notizbuch, aber die Grundidee ist wiederzuerkennen: Entitäten beschreiben und ihre Beschreibungen miteinander verknüpfen. Ein Thema ist nicht nur als isolierter Eintrag nützlich; seine Verknüpfungen liefern Kontext für andere Einträge.

Diese Beispiele bedeuten nicht, dass dein Graph die ganze Welt abbilden muss. Ein Graph zu einer einzelnen Forschungsfrage oder den Projekten eines Teams kann dieselben Bausteine nutzen.

Wissensgraph im Vergleich zu Datenbank, Mindmap und Vektorspeicher

Diese Tools überschneiden sich, organisieren Informationen aber für unterschiedliche Aufgaben. Am sinnvollsten vergleichst du sie anhand der Frage, die du beantworten möchtest – nicht danach, welches Tool generell besser ist.

Ein Wissensgraph ist nicht das Gegenteil einer Datenbank

Ein Wissensgraph beschreibt eine Darstellung von Wissen. Eine Datenbank ist eine Technologie zum Speichern und Abfragen von Daten. Eine Graphdatenbank ist auf verknüpfte Daten ausgelegt und kann einen Wissensgraphen unterstützen.

Auch relationale Datenbanken bilden Beziehungen ab. Der Unterschied besteht nicht darin, dass „Tabellen keine Verbindungen herstellen können“, sondern darin, wie diese Verbindungen modelliert und erkundet werden. Esri betont, dass Graphdatenbanken den Fokus auf explizit gespeicherte Beziehungen legen, insbesondere bei Fragestellungen, die mehrere Verbindungen umfassen.

Für eine einfache Liste zum Lesestatus reicht vielleicht schon eine Tabelle. Wenn die Fragen immer wieder von Büchern zu Autoren, zu Themen und zurück zu anderen Büchern führen, lohnt es sich, ein Graphmodell in Betracht zu ziehen.

Eine Mindmap skizziert; ein Wissensgraph macht Beziehungen explizit

Eine typische Mindmap verzweigt sich ausgehend von einer zentralen Idee. Ein Wissensgraph kann Entitäten über diese Zweige hinweg mithilfe unterschiedlicher Beziehungstypen verbinden. „Teil meines Forschungsplans“ und „von dieser Person geschrieben“ sollten nicht zu ununterscheidbaren Linien werden.

Wenn du noch überlegst, welche Konzepte zu einem Projekt gehören, ist eine Skizze vielleicht der richtige Ausgangspunkt. Ein Mindmap-Tool für Notion eignet sich für diese Planungsaufgabe; wiederverwendbare Beziehungen kannst du anschließend definieren.

Vektorähnlichkeit und explizite Beziehungen beantworten unterschiedliche Fragen

Eine Textstelle zu finden, die relevant klingt, ist etwas anderes, als eine dokumentierte Verbindung zu finden. „Text mit inhaltlicher Ähnlichkeit zu Urban Gardening“ und „Bücher, die ausdrücklich mit Urban Gardening verknüpft sind“ können unterschiedliche Ergebnisse liefern.

Die Ansätze können nebeneinander bestehen. IBM beschreibt eine Implementierung im Zusammenhang mit Wikidata, die Graphdaten für den Abruf vektorisiert. Ein Graph muss die Ähnlichkeitssuche nicht ersetzen, und die Ähnlichkeitssuche gibt nicht bei jeder Beziehung Aufschluss über deren Bedeutung.

Wofür werden Wissensgraphen genutzt?

Suche und Beantwortung von Fragen

Wissensgraphen liefern Suchsystemen nicht nur Wörter, sondern auch Entitäten und Kontext. In unserem Lesebeispiel könntest du die Frage „Welche Autoren befassen sich mit Urban Gardening?“ beantworten, indem du den Verbindungen vom Thema zum Buch und vom Buch zum Autor folgst.

Empfehlungen

IBM beschreibt Wissensgraphen, die im Einzelhandel Empfehlungen auf Basis des Kaufverhaltens und im Unterhaltungsbereich Empfehlungen auf Basis der Nutzerinteraktion unterstützen. Der gemeinsame Grundgedanke besteht darin, verknüpfte Informationen zu nutzen, um relevante Elemente zu identifizieren.

Als kleines Beispiel für den persönlichen Gebrauch könntest du Verbindungen über gemeinsame Themen nutzen, um eine Liste „Als Nächstes lesen“ zu erstellen. Die Empfehlung hätte einen nachvollziehbaren Grund: Dieses noch ungelesene Buch behandelt ein Thema, das mit bereits von dir ausgewählten Büchern verbunden ist.

Datenintegration

Verschiedene Quellen können dieselbe Entität unterschiedlich beschreiben. Ein Graph kann diese Beschreibungen über eine gemeinsame Identität und ein gemeinsames Vokabular miteinander verbinden.

Stell dir vor, in Forschungsnotizen steht „Maya“, in einer Leseliste „Maya — Autorin“ und auf einer Interviewseite wird dieselbe Person erwähnt. Werden diese Verweise derselben Person zugeordnet, lassen sich das Buch und das Interview über diese Person miteinander verbinden, statt getrennte Datensätze zu bleiben.

RAG und KI

Retrieval-Augmented Generation, kurz RAG, stellt einem Sprachmodell abgerufenen Kontext bereit, der ihm hilft, eine Frage zu beantworten. Graphbasierter Abruf kann explizite Beziehungen nutzen, um diesen Kontext zusammenzustellen.

Brian Currys Leitfaden zu Wissensgraphen beschreibt das Durchlaufen von Beziehungen und nachvollziehbare Verbindungen als Vorteile für KI-Anwendungen. Unsere Erklärung zu GraphRAG geht näher auf dieses Abrufmuster ein.

Persönliche Wissensgraphen: Starte mit deinen Notizen

Ein persönlicher Wissensgraph überträgt diese Ideen auf deine eigenen Inhalte: Notizen, Projekte, Leselisten, Personen und Konzepte. Für den Einstieg brauchst du keine Datenpipeline, wie sie in Unternehmen eingesetzt wird.

Ein Notion-Workspace hat bereits eine Graphstruktur:

• Seiten sind Knoten.
• Erwähnungen und Backlinks verbinden Seiten über Verweise.
• Relationen in Datenbanken verbinden Datensätze über benannte Felder.
• Beziehungen zu übergeordneten Seiten beschreiben die Hierarchie.

Diese Verknüpfungen sagen nicht alle dasselbe aus. Wenn eine Seite ein Buch erwähnt, heißt das nicht unbedingt, dass sie es empfiehlt, zusammenfasst oder für ein Projekt nutzt. Für präzise Verknüpfungen gib Relationen in Notion-Datenbanken aussagekräftige Namen. Nutze Notion-Backlinks, um Verweisen zu folgen, und lies dann den umgebenden Text, um zu verstehen, warum der Verweis dort steht.

Obsidian-Vaults verknüpfen Notizen über Wikilinks. Dabei stellt sich dieselbe Frage zur Modellierung: Verweist der Link nur auf ein Ziel, oder erklärt die Notiz die Beziehung? Unser Vergleich von Notion und Obsidian beleuchtet die grundsätzliche Entscheidung zwischen diesen beiden Umgebungen.

Hier lohnt sich eine Unterscheidung: Verknüpfte Notizen bilden einen Graphen, während ein formaler Wissensgraph eine explizite, konsistente Semantik ergänzt. Du kannst mit Ersterem beginnen und Letzteres schrittweise ausbauen.

Um bestehende Verbindungen sichtbar zu machen, stellt IVGraph Notion-Seiten, Backlinks und Erwähnungen sowie Datenbank-Relationen als interaktiven 3D-Graphen dar. Zum Zeitpunkt der Erstellung dieses Textes ist es für bis zu 500 Knoten kostenlos und nutzt reinen Lesezugriff über die Anmeldung bei Notion.

Die Visualisierung hilft dir, die Struktur zu untersuchen; sie ersetzt nicht die Festlegung der Bedeutung deiner Relationen. Eine Schritt-für-Schritt-Anleitung mit Fokus auf den Workspace findest du im Leitfaden zum Notion-Wissensgraphen.

So erstellst du einen kleinen Wissensgraphen

Fang mit einer Frage an, die du wirklich beantworten möchtest. „Alles organisieren, was ich weiß“ lässt sich schwer überprüfen. „Welche Lektüre fließt in dieses Projekt ein?“ gibt dir ein konkretes Ziel.

1. Grenze den Umfang ein. Nutze eine einzelne Leseliste oder ein einzelnes Projekt. Lass Material ohne Bezug in der ersten Version außen vor.
2. Benenne die Entitätstypen. Verwende für dieses Beispiel Projekt, Lektüre und Thema. Erstelle für jede tatsächliche Entität einen eigenen Datensatz oder eine eigene Notiz.
3. Definiere die Beziehungen. Probiere Reading → informs → Project und Reading → discusses → Topic aus. Formuliere für jede Beziehung eine Definition in allgemein verständlicher Sprache.
4. Füge Eigenschaften gezielt hinzu. Halte Details wie den Lesestatus bei der jeweiligen Lektüre fest. Lege ein Thema als eigene Entität an, wenn es mehrere Lektüren miteinander verbinden soll.
5. Kläre, ob Einträge dieselbe Entität bezeichnen. Entscheide, ob „Gartenrecherche“ und „Rechercheprojekt zum Gärtnern“ dasselbe Projekt bezeichnen. Führe Datensätze nicht nur deshalb zusammen, weil ihre Namen ähnlich aussehen.
6. Ergänze Verbindungen mit Kontext. Halte fest, warum eine Lektüre Erkenntnisse für ein Projekt liefert. Bewahre die Textstelle oder Quelle auf, die wichtige Aussagen stützt.
7. Prüfe die ursprüngliche Frage. Beginne beim Projekt, folge den damit verbundenen Lektüren und sieh dir dann deren Themen an. Kannst du jede Verbindung erklären?
8. Überarbeite den Graphen, bevor du ihn erweiterst. Benenne mehrdeutige Beziehungen um, korrigiere Fehler und ergänze fehlende Verknüpfungen. Erweitere den Graphen, wenn eine weitere sinnvolle Frage es erfordert.

Bevor du weitere Inhalte hinzufügst, nutze diese kurze Qualitätscheckliste:

• Steht jeder Knoten für etwas eindeutig Identifizierbares?
• Lässt sich jede Beziehung als klarer Satz lesen?
• Sind ähnliche Beziehungen einheitlich benannt?
• Kannst du die Belege für wichtige Aussagen finden?
• Beantwortet das Nachverfolgen der Verbindungen deine Ausgangsfrage?

Das Ziel ist nicht das größte Diagramm, sondern eine Sammlung von Verbindungen, die du verstehen, denen du vertrauen und die du wiederverwenden kannst.

Häufige Fragen