Was ist ein Wissensgraph?

Ein Wissensgraph besteht aus drei Hauptkomponenten: Knoten, Edges und Labels. Jedes Objekt, jeder Ort und jede Person kann ein Knoten sein. Ein Edge definiert die Beziehung zwischen den Knoten. Ein Knotenpunkt könnte zum Beispiel ein Kunde wie IBM und eine Agentur wie Ogilvy sein. Eine Edge würde die Beziehung als eine Kundenbeziehung zwischen IBM und Ogilvy einstufen.

A steht für das Subjekt, B steht für das Prädikat, C steht für das Objekt

Die Definitionen von Wissensgraphen variieren und laut Untersuchungen sind sie nichts anderes als eine Wissensdatenbank oder eine Ontologie. Der Begriff habe sich zudem vielmehr durch den Knowledge Graph von Google im Jahr 2012 durchgesetzt.

In Zusammenhang mit Wissensgraphen werden auch häufig Ontologien angeführt, aber auch hier gibt es keine klare Abgrenzung zu Wissensgraphen. Letztlich dienen Ontologien dazu, eine formale Repräsentation der Entitäten im Graphen zu erstellen. Sie basieren normalerweise auf einer Taxonomie. Aber da sie mehrere Taxonomien enthalten können, behält sie ihre eigene separate Definition bei. Da Wissensgraphen und Ontologien auf ähnliche Weise dargestellt werden (d. h. durch Knoten und Edges) und auf den Resource Description Framework (RDF) Triples basieren, visualisieren sie in der Regel ähnlich.

Ein Beispiel für eine Ontologie wäre, wenn wir einen bestimmten Ort wie Madison Square Garden untersuchen. Eine Ontologie unterscheidet zwischen den Ereignissen an diesem Ort anhand einer Variablen, z. B. der Zeit. Eine Sportmannschaft wie die New York Rangers hat eine Reihe von Spielen innerhalb einer Saison, die in dieser Arena ausgetragen werden. Es sind alles Eishockeyspiele, und sie finden alle am selben Ort statt. Die einzelnen Veranstaltungen unterscheiden sich jedoch durch ihr Datum und ihre Uhrzeit.

Die Web Ontology Language (OWL) beispielsweise ist eine allgemein anerkannte Ontologie, die vom World Wide Web Consortium (W3C) unterstützt wird, einer internationalen Gemeinschaft, die sich für offene Standards einsetzt, um die Langlebigkeit des Internets zu gewährleisten. Letztlich wird diese Wissensorganisation durch eine technologische Infrastruktur wie Datenbanken, APIs und Algorithmen des maschinellen Lernens unterstützt, die Menschen und Diensten helfen, effizienter auf Informationen zuzugreifen und sie zu verarbeiten.

Wissensgraphen bestehen in der Regel aus Datensätzen aus verschiedenen Quellen, die sich häufig in ihrer Struktur unterscheiden. Schemata, Identitäten und Kontext arbeiten zusammen, um verschiedenen Daten Struktur zu geben. Schemata bilden den Rahmen für den Wissensgraphen, Identitäten klassifizieren die zugrundeliegenden Knoten entsprechend, und der Kontext bestimmt das Umfeld, in dem dieses Wissen besteht. Diese Komponenten helfen, Wörter mit mehreren Bedeutungen zu unterscheiden. So können Produkte, wie der Algorithmus der Suchmaschine Google, den Unterschied zwischen Apple, der Marke, und Apfel, der Frucht, feststellen.

Wissensgraphen, die auf maschinellem Lernen beruhen, nutzen die Verarbeitung natürlicher Sprache, um durch einen Prozess namens semantische Anreicherung eine umfassende Übersicht über Knoten, Edges und Labels zu erstellen. Wenn Daten aufgenommen werden, ermöglicht dieser Prozess Wissensgraphen, einzelne Objekte zu identifizieren und die Beziehungen zwischen verschiedenen Objekten zu verstehen. Dieses Arbeitswissen wird dann mit anderen Datensätzen verglichen und integriert, die relevant und ähnlicher Natur sind. Sobald ein Wissensgraph vollständig ist, ermöglicht er es Fragebeantwortungs- und Suchsystemen, umfassende Antworten auf gegebene Abfragen abzurufen und wiederzuverwenden. Während die Produkte für Verbraucher die Fähigkeit zur Zeitersparnis demonstrieren, können dieselben Systeme auch in einem geschäftlichen Umfeld eingesetzt werden, indem sie die manuelle Datenerfassung und -integration zur Unterstützung der Entscheidungsfindung im Unternehmen eliminieren.

Die Maßnahmen zur Datenintegration im Zusammenhang mit Wissensgraphen können auch neues Wissen fördern, indem sie Verbindungen zwischen Datenpunkten herstellen, die zuvor möglicherweise nicht erkannt wurden.

Es gibt mehrere beliebte, kundenorientierte Wissensgraphen, die die Erwartungen der Nutzer an Suchsysteme in Unternehmen widerspiegeln. Dazu gehören:

• DBPedia und Wikidata sind zwei verschiedene Wissensgraphen für Daten auf Wikipedia.org. DBPedia besteht aus Daten aus den Infoboxen von Wikipedia, während Wikidata sich auf sekundäre und tertiäre Objekte konzentriert. Beide werden in der Regel in einem RDF-Format veröffentlichtt.
• Der Google Knowledge Graph wird auf der Seite der Google Suchergebnisse angezeigt. Er zeigt die Informationen, die auf den Suchanfragen der Nutzer basieren. Dieses Wissensdiagramm besteht aus über 500 Millionen Objekten und bezieht Daten aus Freebase, Wikipedia, dem CIA World Factbook und anderen.

Wissensgraphen finden jedoch auch in anderen Branchen Anwendung, z. B.:

• Einzelhandel: Wissensgraphen wurden für Upselling- und Cross-Selling-Strategien verwendet. Sie empfehlen Produkte auf der Grundlage des individuellen Kaufverhaltens und beliebter Kauftrends in allen demografischen Gruppen.
• Unterhaltung: Wissensdiagramme werden auch für KI-basierte Empfehlungsmaschinen für Content-Plattformen wie Netflix, SEO oder soziale Medien genutzt. Auf der Grundlage des Klickverhaltens und anderer Online-Aktivitäten empfehlen diese Anbieter den Nutzern neue Inhalte zum Lesen oder Ansehen.
• Finanzwesen: Diese Technologie wurde auch für Know-your-Customer (KYC)- und Anti-Geldwäsche-Initiativen in der Finanzbranche eingesetzt. Sie helfen bei der Prävention und Untersuchung von Finanzkriminalität und ermöglichen es Bankinstituten, den Geldfluss über ihre Kunden zu verstehen und Kunden zu identifizieren, die sich nicht an die Vorschriften halten.
• Gesundheitswesen: Wissensgraphen kommen auch der Gesundheitsbranche zugute, indem sie Beziehungen innerhalb der medizinischen Forschung organisieren und kategorisieren. Diese Informationen unterstützen Anbieter, indem sie Diagnosen validieren und Behandlungspläne basierend auf den individuellen Bedürfnissen identifizieren.