ในการแสดงความรู้และการให้เหตุผลกราฟความรู้คือฐานความรู้ที่ใช้แบบจำลองข้อมูลหรือโทโพโลยีที่มีโครงสร้างเป็นกราฟเพื่อแสดงและดำเนินการกับข้อมูลกราฟความรู้มักใช้เพื่อจัดเก็บคำอธิบายที่เชื่อมโยงกันของเอนทิตี  – วัตถุ เหตุการณ์ สถานการณ์ หรือแนวคิดเชิงนามธรรม – ในขณะเดียวกันก็เข้ารหัสความหมายหรือความสัมพันธ์แบบอิสระที่อยู่เบื้องหลังเอนทิตีเหล่านี้^{[ 1 ] [ 2 ]}

นับตั้งแต่การพัฒนาSemantic Webกราฟความรู้มักเกี่ยวข้องกับ โครงการ ข้อมูลเปิดที่เชื่อมโยงกันโดยมุ่งเน้นที่การเชื่อมต่อระหว่างแนวคิดและเอนทิตี^{[ 3 ] [ 4 ]}นอกจากนี้ ในอดีตกราฟความรู้ยังเกี่ยวข้องกับและถูกใช้โดยเครื่องมือค้นหาเช่นGoogle , BingและYahoo ; เครื่องมือความรู้และบริการตอบคำถาม เช่นWolframAlpha , Siriของ Apple และAmazon Alexa ; และเครือข่ายสังคมออนไลน์ เช่นLinkedInและFacebook

การพัฒนาล่าสุดในด้านวิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่องโดยเฉพาะอย่างยิ่งในเครือข่ายประสาทกราฟการเรียนรู้การแสดงแทน และการเรียนรู้ของเครื่อง ได้ขยายขอบเขตของกราฟความรู้ให้กว้างขึ้นกว่าการใช้งานแบบดั้งเดิมในเครื่องมือค้นหาและระบบแนะนำ กราฟ ความรู้ ถูกนำมาใช้มากขึ้นในการวิจัยทางวิทยาศาสตร์ โดยมีการประยุกต์ใช้ที่โดดเด่นในสาขาต่างๆ เช่นจีโนมิกส์โปรตีโอมิกส์และชีววิทยาระบบ^{[ 5 ]}

คำนี้ถูกบัญญัติขึ้นตั้งแต่ปี 1972 โดยนักภาษาศาสตร์ ชาวออสเตรีย Edgar W. Schneiderในการอภิปรายเกี่ยวกับวิธีการสร้างระบบการเรียนการสอนแบบโมดูลาร์สำหรับหลักสูตร^{[ 6 ]}ในช่วงปลายทศวรรษ 1980 มหาวิทยาลัย Groningenและมหาวิทยาลัย Twenteได้ร่วมกันเริ่มต้นโครงการที่เรียกว่า Knowledge Graphs โดยมุ่งเน้นที่การออกแบบเครือข่ายความหมายที่มีขอบจำกัดเฉพาะชุดความสัมพันธ์ที่จำกัด เพื่ออำนวยความสะดวกในการคำนวณพีชคณิตบนกราฟ^{[ 7 ]}ในทศวรรษต่อมา ความแตกต่างระหว่างเครือข่ายความหมายและกราฟความรู้เริ่มเลือนลางลง

กราฟความรู้ในยุคแรกๆ บางส่วนมีความเฉพาะเจาะจงตามหัวข้อ ในปี 1985 Wordnetก่อตั้งขึ้น โดยรวบรวมความสัมพันธ์เชิงความหมายระหว่างคำและความหมาย ซึ่งเป็นการประยุกต์ใช้แนวคิดนี้กับภาษาเอง ในปี 2005 Marc Wirk ก่อตั้งGeonamesเพื่อรวบรวมความสัมพันธ์ระหว่างชื่อทางภูมิศาสตร์และสถานที่ต่างๆ และหน่วยงานที่เกี่ยวข้อง ในปี 1998 Andrew Edmonds จาก Science in Finance Ltd ในสหราชอาณาจักรได้สร้างระบบที่เรียกว่า ThinkBase ซึ่งนำเสนอ การให้เหตุผลตาม ตรรกะคลุมเครือในบริบทกราฟิก^{[ 8 ]}

ในปี พ.ศ. 2550 ทั้งDBpediaและFreebaseก่อตั้งขึ้นในฐานะคลัง ความรู้แบบกราฟ สำหรับความรู้ทั่วไป^{[ 9 ]} DBpedia มุ่งเน้นเฉพาะข้อมูลที่สกัดจากWikipediaในขณะที่ Freebase ยังรวมถึงชุดข้อมูลสาธารณะต่างๆ ด้วย ทั้งสองไม่ได้เรียกตัวเองว่า 'กราฟความรู้' แต่ได้พัฒนาและอธิบายแนวคิดที่เกี่ยวข้อง

ในปี 2555 Google ได้เปิดตัวKnowledge Graph [ ^{10 ] โดย}สร้างขึ้นจาก DBpedia และ Freebase รวมถึงแหล่งข้อมูลอื่นๆ ต่อมาพวกเขาได้รวมRDFa , Microdata , เนื้อหา JSON-LDที่ดึงมาจากเว็บเพจที่จัดทำดัชนีไว้ รวมถึงCIA World Factbook , Wikidataและ Wikipedia ^{[ 10 ] [ 11 ]}ประเภทเอนทิตีและความสัมพันธ์ที่เกี่ยวข้องกับ Knowledge Graph นี้ได้รับการจัดระเบียบเพิ่มเติมโดยใช้คำศัพท์จาก คำศัพท์ schema.org ^{[ 12 ]} Google Knowledge Graph กลายเป็นส่วนเสริมของการค้นหาตามสตริงภายใน Google และความนิยมทางออนไลน์ทำให้คำนี้ถูกนำมาใช้กันอย่างแพร่หลายมากขึ้น^{[ 12 ]}

นับตั้งแต่นั้นมา บริษัทข้ามชาติขนาดใหญ่หลายแห่งได้โฆษณาการใช้กราฟความรู้ของตน ซึ่งทำให้คำนี้เป็นที่นิยมมากขึ้น บริษัทเหล่านี้^{ได้แก่} Facebook , LinkedIn , Airbnb , Microsoft , Amazon , UberและeBay ^{[ 13} ]

ในปี 2019 IEEEได้รวมการประชุมนานาชาติประจำปีเรื่อง "ความรู้ขนาดใหญ่" และ "การขุดข้อมูลและการประมวลผลอัจฉริยะ" เข้าด้วยกันเป็นการประชุมนานาชาติว่าด้วยกราฟความรู้^{[ 14 ]}

การพัฒนารูปแบบภาษาขนาดใหญ่ได้ขยายความสนใจในกราฟความรู้ในฐานะวิธีการจัดโครงสร้างข้อมูลจากข้อความที่ไม่มีโครงสร้าง โดยความก้าวหน้าในการประมวลผลภาษาทำให้สามารถสร้างและขยายกราฟความรู้ได้โดยอัตโนมัติหรือกึ่งอัตโนมัติ^{[ 15 ] [ 16 ] [ 17 ]} นับตั้งแต่นั้นมา คำว่ากราฟความรู้ได้ขยายขอบเขตไปรวมถึงโครงสร้างกราฟที่สร้างขึ้นแบบไดนามิกและปรับเปลี่ยนได้ ซึ่งสนับสนุนการดึงข้อมูล การให้เหตุผล และการสรุปในระบบสร้างข้อมูล ตัวอย่างการพัฒนานี้ได้แก่ GraphRAG (2024) ของ Microsoft Research ซึ่งรวมกราฟที่สร้างโดย LLM เข้ากับการสร้างข้อมูลที่เสริมด้วยการดึงข้อมูล

ไม่มีคำจำกัดความที่เป็นที่ยอมรับโดยทั่วไปเพียงคำเดียวสำหรับกราฟความรู้ คำจำกัดความส่วนใหญ่จะพิจารณาหัวข้อนี้ผ่านมุมมองของเว็บเชิงความหมายและรวมถึงคุณลักษณะเหล่านี้: ^{[ 18 ]}

• ความสัมพันธ์ที่ยืดหยุ่นระหว่างความรู้ในโดเมนเฉพาะเรื่อง : กราฟความรู้ (i) กำหนดคลาสและความสัมพันธ์เชิงนามธรรมของเอนทิตีในสคีมา (ii) ส่วนใหญ่จะอธิบายเอนทิตีในโลกแห่งความเป็นจริงและความสัมพันธ์ระหว่างกัน โดยจัดเรียงเป็นกราฟ (iii) อนุญาตให้เชื่อมโยงเอนทิตีใดๆ เข้าด้วยกันได้ และ (iv) ครอบคลุมโดเมนเฉพาะเรื่องต่างๆ^{[ 19 ]}
• โครงสร้างทั่วไป : เครือข่ายของเอนทิตี ประเภทความหมาย คุณสมบัติ และความสัมพันธ์^{[ 20 ] [ 21 ]}มักใช้ค่าเชิงหมวดหมู่หรือเชิงตัวเลขเพื่อแสดงคุณสมบัติ
• การสนับสนุนการให้เหตุผลเหนือออนโทโลยีที่อนุมานได้ : กราฟความรู้ได้รับและบูรณาการข้อมูลเข้าสู่ออนโทโลยีและใช้ตัวให้เหตุผลเพื่อดึงความรู้ใหม่^{[ 3 ]}

อย่างไรก็ตาม มีรูปแบบกราฟความรู้หลายรูปแบบที่คุณลักษณะบางอย่างเหล่านี้ไม่เกี่ยวข้อง สำหรับกราฟความรู้เหล่านั้น คำจำกัดความที่เรียบง่ายกว่านี้อาจมีประโยชน์มากกว่า:

• โครงสร้างดิจิทัลที่แสดงความรู้ในรูปแบบของแนวคิดและความสัมพันธ์ระหว่างแนวคิดเหล่านั้น (ข้อเท็จจริง) กราฟความรู้สามารถรวมถึงออนโทโลยีที่ช่วยให้ทั้งมนุษย์และเครื่องจักรสามารถเข้าใจและให้เหตุผลเกี่ยวกับเนื้อหาได้^{[ 22 ] [ 23 ]}

นอกจากตัวอย่างข้างต้นแล้ว คำนี้ยังถูกใช้เพื่ออธิบายโครงการความรู้แบบเปิด เช่นYAGOและ Wikidata; สหพันธ์ต่างๆ เช่น Linked Open Data cloud; ^{[ 24 ]}เครื่องมือค้นหาเชิงพาณิชย์ต่างๆ รวมถึง Spark ผู้ช่วยการค้นหาเชิงความหมายของ Yahoo, Knowledge Graph ของ Google และ Satori ของ Microsoft; และกราฟเอนทิตีของ LinkedIn และ Facebook ^{[ 3 ]}

คำนี้ยังใช้ในบริบทของ แอปพลิ เคชันซอฟต์แวร์จดบันทึกที่อนุญาตให้ผู้ใช้สร้าง กราฟความรู้ ส่วนบุคคล^{[ 25 ]}

การแพร่หลายของกราฟความรู้และวิธีการที่เกี่ยวข้องได้นำไปสู่การพัฒนาฐานข้อมูลกราฟ เช่น Neo4j ^{[ 26 ]} GraphDB ^{[ 27 ]}และAgensGraph ^{[ 28 ]} ฐานข้อมูลกราฟเหล่านี้ช่วยให้ผู้ใช้สามารถจัดเก็บข้อมูลเป็นเอนทิตีและความสัมพันธ์ระหว่างกัน ได้อย่างง่ายดาย และอำนวยความสะดวกในการดำเนินการต่างๆ เช่น การให้เหตุผลข้อมูล การฝังโหนด และการพัฒนาออนโทโลยีบนฐานความรู้

ในทางตรงกันข้าม กราฟความรู้เสมือนไม่ได้จัดเก็บข้อมูลในฐานข้อมูลเฉพาะ^{[ 29 ]}โดยอาศัยฐานข้อมูลเชิงสัมพันธ์หรือดาต้าเลคเป็นพื้นฐานในการตอบคำถามบนกราฟ ระบบกราฟความรู้เสมือนดังกล่าวจะต้องได้รับการกำหนดค่าอย่างเหมาะสมเพื่อให้สามารถตอบคำถามได้อย่างถูกต้อง การกำหนดค่าเฉพาะนี้ทำได้โดยผ่านชุดของการแมปที่กำหนดความสัมพันธ์ระหว่างองค์ประกอบของแหล่งข้อมูลและโครงสร้างและออนโทโลยีของกราฟความรู้เสมือน^{[ 30 ]}

กราฟความรู้แสดงความหมายอย่างเป็นทางการโดยการอธิบายเอนทิตีและความสัมพันธ์ของเอนทิตีเหล่านั้น^{[ 31 ]}กราฟความรู้สามารถใช้ออนโทโลยีเป็นเลเยอร์สคีมาได้ การทำเช่นนี้จะช่วยให้สามารถอนุมานเชิงตรรกะเพื่อดึงความรู้โดย นัยแทนที่จะ อนุญาตเฉพาะการสอบถามที่ร้องขอความรู้ที่ชัดเจนเท่านั้น^{[ 32 ]}

เพื่อให้สามารถใช้กราฟความรู้ในงานการเรียนรู้ของเครื่องต่างๆ ได้ จึงได้มีการคิดค้นวิธีการต่างๆ เพื่อสร้างการแสดงคุณลักษณะแฝงของเอนทิตีและความสัมพันธ์^{[ 33 ]}การฝังกราฟความรู้เหล่านี้ทำให้สามารถเชื่อมต่อกับวิธีการเรียนรู้ของเครื่องที่ต้องการเวกเตอร์คุณลักษณะ เช่นการฝังคำซึ่งสามารถเสริมการประมาณค่าความคล้ายคลึงเชิงแนวคิดอื่นๆ ได้^{[ 34 ] [ 35 ]}

แบบจำลองสำหรับการสร้างการฝังกราฟความรู้ที่มีประโยชน์มักเป็นขอบเขตของเครือข่ายประสาทกราฟ (GNNs) ^{[ 36 ]} GNNs เป็นสถาปัตยกรรมการเรียนรู้เชิงลึกที่ประกอบด้วยขอบและโหนด ซึ่งสอดคล้องกับเอนทิตีและความสัมพันธ์ของกราฟความรู้ โครงสร้างโทโพโลยีและโครงสร้างข้อมูลที่ GNNs มอบให้เป็นขอบเขตที่สะดวกสำหรับการเรียนรู้แบบกึ่งกำกับดูแล โดยที่เครือข่ายได้รับการฝึกฝนให้ทำนายค่าของการฝังโหนด (โดยมีกลุ่มของโหนดที่อยู่ติดกันและขอบของโหนดเหล่านั้น) หรือขอบ (โดยมีคู่ของโหนด) งานเหล่านี้ทำหน้าที่เป็นนามธรรมพื้นฐานสำหรับงานที่ซับซ้อนกว่า เช่น การให้เหตุผลและการจัดเรียงกราฟความรู้^{[ 37 ]}

เมื่อมีการสร้างกราฟความรู้ใหม่ๆ ในหลากหลายสาขาและบริบท เอนทิตีเดียวกันก็จะถูกแสดงในกราฟหลายๆ กราฟอย่างหลีกเลี่ยงไม่ได้ อย่างไรก็ตาม เนื่องจากไม่มีมาตรฐานเดียวสำหรับการสร้างหรือการแสดงกราฟความรู้ การแก้ปัญหาว่าเอนทิตีใดจากกราฟที่แตกต่างกันสอดคล้องกับหัวข้อในโลกแห่งความเป็นจริงเดียวกันจึงเป็นงานที่ไม่ง่าย งานนี้เรียกว่าการจัดเรียงเอนทิตีในกราฟความรู้และเป็นหัวข้อการวิจัยที่กำลังดำเนินอยู่^{[ 38 ]}

กลยุทธ์สำหรับการจัดเรียงเอนทิตีโดยทั่วไปมุ่งที่จะระบุโครงสร้างย่อยที่คล้ายคลึงกัน ความสัมพันธ์เชิงความหมาย คุณลักษณะที่ใช้ร่วมกัน หรือการรวมกันของทั้งสามอย่างระหว่างกราฟความรู้สองกราฟที่แตกต่างกัน^{[ 39 ]}วิธีการจัดเรียงเอนทิตีใช้ความคล้ายคลึงกันเชิงโครงสร้างเหล่านี้ระหว่างกราฟที่ไม่เหมือนกันโดยทั่วไปเพื่อทำนายว่าโหนดใดสอดคล้องกับเอนทิตีเดียวกัน^{[ 40 ]}

ในปี 2023 นักวิจัยพบว่าการใช้โมเดลภาษาขนาดใหญ่ (LLMs) ประสบความสำเร็จในงานการจัดตำแหน่งเอนทิตี^{[ 41 ]}ซึ่งเป็นผลมาจากประสิทธิภาพในการสร้างการฝังที่มีความหมายทางไวยากรณ์^{[ 42 ]}

เมื่อปริมาณข้อมูลที่จัดเก็บในกราฟความรู้เพิ่มมากขึ้น การพัฒนาวิธีการที่เชื่อถือได้สำหรับการจัดเรียงเอนทิตีในกราฟความรู้จึงกลายเป็นขั้นตอนที่สำคัญยิ่งขึ้นในการบูรณาการและความสอดคล้องกันของข้อมูลในกราฟความรู้

• แผนผังความคิด  – แผนภาพแสดงความสัมพันธ์ระหว่างแนวคิดต่างๆ
• อรรถศาสตร์เชิงรูปธรรม (ภาษาธรรมชาติ)  – การศึกษาความหมายทางภาษาอย่างเป็นทางการ
• ฐานข้อมูลกราฟ  – ฐานข้อมูลที่ใช้โครงสร้างกราฟในการค้นหาข้อมูล
• ฐานความรู้  – คลังข้อมูลที่มีแอปพลิเคชันหลากหลาย
• การฝังข้อมูลกราฟความรู้  – การลดมิติของวัตถุข้อมูลเชิงความหมายแบบกราฟ [งานการเรียนรู้ของเครื่อง]
• กราฟตรรกะ  – รูปแบบการเขียนแผนภาพประเภทหนึ่งสำหรับตรรกะเชิงประพจน์หน้าเว็บที่แสดงคำอธิบายสั้น ๆ ของเป้าหมายการเปลี่ยนเส้นทาง
• การบูรณาการความหมาย  – การเชื่อมโยงข้อมูลจากแหล่งข้อมูลที่หลากหลายเข้าด้วยกัน
• เทคโนโลยีเชิงความหมาย  – เทคโนโลยีที่ช่วยให้เครื่องจักรเข้าใจข้อมูล
• แผนผังหัวข้อ  – ระบบการจัดระเบียบความรู้
• Vadalog  – ประเภทของระบบจัดการกราฟความรู้
• Wikibase - ส่วนเสริมซอฟต์แวร์ Mediawiki สำหรับสร้างฐานความรู้
• วิกิดาต้า - โครงการฐานข้อมูลความรู้ฟรี
• YAGO (ฐานข้อมูล)  – คลังข้อมูลแบบโอเพนซอร์ส

• วิล ดักลาส เฮเวน (4 กันยายน 2020). "AI ที่รู้ทุกอย่างนี้เรียนรู้โดยการอ่านเว็บทั้งหมดอย่างต่อเนื่อง" . MIT Technology Review . สืบค้นเมื่อ5 กันยายน 2020 . Diffbot กำลังสร้างกราฟความรู้ที่ใหญ่ที่สุดเท่าที่เคยมีมาโดยการประยุกต์ใช้การจดจำภาพและการประมวลผลภาษาธรรมชาติกับเว็บเพจหลายพันล้านหน้า

Scholiaมี โปรไฟล์ หัวข้อสำหรับกราฟความรู้ (Knowledge graph )