Knowledge Graph (Wissensgraph)
Ein Knowledge Graph (Wissensgraph) speichert Wissen als Netz: Personen, Firmen, Orte oder Produkte sind Knoten, ihre Beziehungen benannte Kanten, die Maschinen gezielt abfragen können.
Ein Wissensgraph speichert die Beziehungen selbst als Daten.
Ein Knowledge Graph ist ein Datenbestand in Form eines Graphen. Die Knoten stehen für Dinge der realen Welt, Fachleute sagen Entitäten, die Kanten für Beziehungen zwischen ihnen. So definiert es ein Übersichtsaufsatz von Aidan Hogan und Kollegen (2021). Der Satz „Der Lieferant hat seinen Sitz in Hamburg“ wird dort zu zwei Knoten und einer Kante „hat Sitz in“. Ein Schema, oft Ontologie genannt, legt fest, welche Arten von Knoten und Beziehungen es gibt.
Den Ausdruck gibt es in der Fachliteratur seit mindestens 1972. Seine heutige Bedeutung geht auf Google zurück, das 2012 seinen Knowledge Graph vorstellte. Danach kündigten unter anderem Amazon, eBay, Facebook, LinkedIn, Microsoft und Uber eigene Wissensgraphen an.
Führungskräften begegnet der Begriff an zwei Stellen. In der Suche entscheidet Googles Wissensgraph mit, ob ein Unternehmen als eindeutige Entität erscheint, etwa im Knowledge Panel. Im eigenen Haus verbindet ein Wissensgraph Daten aus Einkauf, Konstruktion und Vertrieb und liefert KI-Anwendungen Zusammenhänge, die in keinem einzelnen Dokument stehen.
Kapitel 1 von 7
So ist ein Knowledge Graph aufgebaut.
Die kleinste Einheit ist eine Aussage aus drei Teilen: Subjekt, Prädikat und Objekt. Im Standard RDF des World Wide Web Consortium (W3C) heißt das Tripel, und ein RDF-Graph ist schlicht eine Menge solcher Tripel. Jedes Ding bekommt eine weltweit eindeutige Kennung, eine IRI. Zwei Vorkommen derselben IRI bezeichnen dasselbe Ding, egal aus welcher Quelle sie stammen.
Daneben gibt es Property Graphs, bei denen Knoten und Kanten zusätzlich Eigenschaften tragen, etwa ein Datum an der Beziehung „liefert“. Hogan und Kollegen behandeln beide als gängige Datenmodelle.
Erst das Schema macht aus Verbindungen Wissen. Eine Ontologie legt fest, dass ein Lieferant eine Firma ist oder dass nur Bauteile eine Norm erfüllen können. Mit solchen Regeln kann ein System Fakten ableiten, die niemand ausdrücklich eingetragen hat. Abfragesprachen für Graphen folgen dazu Pfaden über beliebig viele Kanten.
Kapitel 2 von 7
Google hat den Begriff 2012 bekannt gemacht.
Am 16. Mai 2012 stellte Google seinen Knowledge Graph unter dem Motto „things, not strings“ vor: Die Suche sollte Dinge verstehen, statt Zeichenketten abzugleichen. Nach Googles Angaben enthielt der Graph damals mehr als 500 Millionen Objekte und mehr als 3,5 Milliarden Fakten und Beziehungen, unter anderem aus Freebase, Wikipedia und dem CIA World Factbook.
Googles erstes Beispiel waren gleichnamige Dinge. Wer „Taj Mahal“ sucht, kann das Bauwerk meinen oder den Musiker. Der Graph weiß, dass es zwei Entitäten sind, und bietet beide getrennt an.
Sichtbar wird der Graph vor allem im Knowledge Panel. Google beschreibt es als Infokasten, der bei der Suche nach Personen, Orten, Organisationen oder Dingen erscheint, die im Knowledge Graph stehen. Die Angaben stammen aus verschiedenen Quellen im Web und werden automatisch aktualisiert, wenn sich Informationen dort ändern.
Kapitel 3 von 7
Entity SEO macht ein Unternehmen als Entität eindeutig.
Mit Entity SEO ist die Arbeit daran gemeint, dass Suchsysteme eine Firma, eine Person oder ein Produkt als eindeutiges Ding erkennen. Direkt in Googles Graphen schreiben kann niemand. Google dokumentiert aber Signale.
Am wichtigsten sind strukturierte Daten nach schema.org, einem Vokabular, das Google, Microsoft, Yahoo und Yandex gemeinsam gegründet haben. Laut Google helfen Organisationsdaten, die Verwaltungsangaben eines Unternehmens zu verstehen und es von gleichnamigen abzugrenzen; sie beeinflussen auch das Logo im Knowledge Panel. Über die Eigenschaft sameAs verweist die Website auf Profile auf anderen Seiten. Google empfiehlt dafür JSON-LD.
Dazu kommt Wikidata, eine freie, mehrsprachige Wissensbasis, die jeder bearbeiten kann und deren Daten unter der Lizenz CC0 stehen. Jedes Ding hat dort eine Kennung aus Q und einer Nummer. Wer selbst im Knowledge Panel abgebildet ist, kann es bei Google beanspruchen und Änderungen vorschlagen; alle anderen nutzen den Feedback-Link im Panel.
Kapitel 4 von 7
Im Unternehmen verbindet ein Wissensgraph verstreute Daten.
Viele Fragen im Betrieb laufen über mehrere Verknüpfungen. Welche Produkte enthalten Bauteile eines Lieferanten, dessen Zertifikat ausläuft? Die Antwort steckt oft in mehreren Systemen.
Ein Wissensgraph speichert die Beziehungen selbst als Daten. Eine relationale Datenbank setzt Verknüpfungen erst bei der Abfrage aus Tabellen zusammen, was für Fragen über ein oder zwei Verknüpfungen meist reicht. Eine Vektordatenbank findet ähnliche Texte über Embeddings, kennt aber keine benannten Beziehungen. Der Graph lohnt sich, wenn Fragen regelmäßig über viele Kanten laufen und neue Beziehungsarten dazukommen, ohne Umbau von Tabellen.
Die meiste Arbeit macht die Identität. Dieselbe Firma steht im Einkauf unter einem Kürzel und in der Buchhaltung mit vollem Namen. Bevor Daten in den Graphen gehen, müssen solche Dubletten zu einer Entität zusammengeführt werden.
Kapitel 5 von 7
GraphRAG verbindet Wissensgraph und Sprachmodell.
Retrieval-Augmented Generation (RAG) heißt, dass ein Sprachmodell vor der Antwort passende Textstellen aus einer Dokumentensammlung bekommt. Ein Team von Microsoft Research zeigte 2024, dass dieses übliche RAG an globalen Fragen scheitert, etwa „Was sind die Hauptthemen in diesen Unterlagen?“.
Ihr Verfahren GraphRAG lässt ein Sprachmodell zuerst aus allen Dokumenten einen Wissensgraphen mit Entitäten und Beziehungen bauen und Zusammenfassungen für Gruppen eng verbundener Entitäten schreiben. Bei einer Frage liefert jede Zusammenfassung eine Teilantwort, und das Modell fasst die Teilantworten zusammen. Bei Datenbeständen von rund einer Million Token waren die Antworten deutlich umfassender und vielfältiger als mit üblichem RAG.
Der Aufbau des Graphen erfordert allerdings selbst Aufrufe eines Sprachmodells über alle Dokumente. Was das Modell dabei falsch erkennt, steht danach im Graphen. Ein gepflegter Graph aus geprüften Stammdaten ist etwas anderes als ein automatisch erzeugter.
Kapitel 6 von 7
Woran man eine gute Umsetzung erkennt.
Am Anfang stehen die Fachfragen, die der Graph beantworten soll. Die Wahl der Graphdatenbank kommt danach. Die Datenbank allein ist noch kein Wissensgraph; dazu machen ihn erst Schema und gepflegte Daten.
Das Schema ist dokumentiert und so klein, dass Fachabteilungen es verstehen. Jede Entität hat genau eine Kennung, und zu jeder Aussage ist erkennbar, aus welcher Quelle sie stammt. Für jeden Bereich ist jemand zuständig, der neue Produkte, Lieferanten oder Normen einträgt. Allgemeine Fakten wie Orte muss niemand selbst pflegen, denn der eigene Graph kann auf Wikidata-Kennungen verweisen.
Aufwand entsteht vor allem beim Schema, beim Zusammenführen von Dubletten und bei der laufenden Pflege. Offene Standards wie RDF halten die Daten unabhängig von einem Produkt. Für Entity SEO gilt dieselbe Disziplin nach außen: überall dieselben Angaben zu Name, Sitz und Profilen, maschinenlesbar auf der eigenen Website.
Kapitel 7 von 7
Die Grenze des Begriffs
Ein Knowledge Graph bildet nur das Wissen ab, das jemand modelliert und pflegt; ungepflegt veraltet er wie jede andere Datensammlung. Eine Graphdatenbank speichert ihn nur. Die Vektordatenbank findet Ähnliches statt benannter Beziehungen, die Ontologie ist das Schema und nicht die Daten, und das Knowledge Panel zeigt Googles Graphen, nicht den eigenen.
Häufige Fragen
Was ist ein Knowledge Graph?
Ein Knowledge Graph ist ein Datenbestand, der Wissen als Netz aus Knoten und Kanten speichert. Knoten stehen für Dinge wie Personen, Firmen oder Produkte, Kanten für benannte Beziehungen zwischen ihnen. Ein Schema legt fest, welche Arten es gibt.
Ist ein Knowledge Graph dasselbe wie der Knowledge Graph von Google?
Nicht unbedingt: Knowledge Graph, deutsch Wissensgraph, bezeichnet jeden Datenbestand, der Wissen als Knoten und benannte Beziehungen speichert, im Unternehmen wie im Web. Oft ist damit aber speziell der Wissensgraph von Google gemeint, der den Begriff 2012 bekannt machte.
Wie unterscheidet sich ein Knowledge Graph von einer Datenbank?
Ein Knowledge Graph speichert Beziehungen selbst als benannte Daten, eine relationale Datenbank setzt sie erst bei der Abfrage aus Tabellen zusammen. Neue Beziehungsarten kommen ohne Umbau von Tabellen hinzu. Gespeichert wird der Graph trotzdem in einer Datenbank, meist einer Graphdatenbank.
Was ist eine Ontologie bei Knowledge Graphs?
Eine Ontologie ist das Schema eines Wissensgraphen. Sie legt fest, welche Klassen von Dingen es gibt, welche Beziehungen erlaubt sind und welche Regeln gelten. Mit diesen Regeln lassen sich auch neue Fakten ableiten.
Wie bekommt ein Unternehmen ein Knowledge Panel bei Google?
Google zeigt Knowledge Panels für Entitäten, die in seinem Knowledge Graph stehen, und speist sie aus verschiedenen Quellen im Web. Strukturierte Daten nach schema.org, einheitliche Angaben und Verweise per sameAs helfen bei der Zuordnung. Ein bestehendes Panel kann das Unternehmen beanspruchen und Änderungen vorschlagen.
Was ist GraphRAG?
GraphRAG ist ein Verfahren von Microsoft Research, bei dem ein Sprachmodell aus Dokumenten erst einen Wissensgraphen baut und daraus Antworten erzeugt. Es hilft bei Fragen, die einen ganzen Dokumentenbestand betreffen. Fehler beim automatischen Aufbau landen allerdings im Graphen.
Quellen
- Hogan u. a.: Knowledge Graphs, ACM Computing Surveys 54 (4), 2021, arXiv:2003.02320 (englisch)
- Google: Introducing the Knowledge Graph: things, not strings, Amit Singhal, 16. Mai 2012 (englisch)
- Google: About knowledge panels, Knowledge-Panel-Hilfe, Stand November 2026 (englisch)
- W3C: RDF 1.1 Concepts and Abstract Syntax, Empfehlung vom 25. Februar 2014 (englisch)
- Schema.org: About Schema.org, Stand November 2026 (englisch)
- Google Search Central: Strukturierte Daten für Organisationen (Organization), Stand November 2026 (englisch)
- Wikidata: Introduction, Stand November 2026 (englisch)
- Edge u. a. (Microsoft Research): From Local to Global: A GraphRAG Approach to Query-Focused Summarization, arXiv:2404.16130, 2024 (englisch)