知識グラフ接地（チシキグラフセッチ）
知識グラフ接地（Knowledge Graph Grounding）とは、大規模言語モデルの応答生成において構造化された知識グラフ（KG）を活用し、エンティティ間の関係性や事実制約に基づいた正確な回答を生成する技術である。GraphRAG、KAPING、KG-augmented generation等の手法が存在し、多段推論や複雑な関係性の質問に特に効果を発揮する。
知識グラフ接地とは
知識グラフ接地は、Neo4j、Wikidata、Freebase等の構造化された知識ベースとLLMを連携させ、エンティティ（実体）間の関係性に基づいた事実的に正確な応答を生成する技術である。テキスト検索ベースのRAGが「関連するテキスト断片」を参照するのに対し、知識グラフ接地は「構造化された事実関係」を参照する点が根本的に異なる。
概要と動機
知識グラフ（Knowledge Graph）はエンティティ（ノード）とそれらの関係（エッジ）をトリプル（主語、述語、目的語）形式で表現する構造化データベースである。代表的な知識グラフ：
- Wikidata: 1.1億エンティティ、16億トリプル（2025年時点）。Wikimedia Foundation運営
- Google Knowledge Graph: 5000億以上の事実、5億以上のエンティティ。Google検索の情報パネルに使用
- DBpedia: Wikipediaの構造化抽出。3800万エンティティ、30億トリプル
- ConceptNet: 常識知識グラフ。2100万エッジ、800万ノード
- YAGO: Wikipedia + WordNetの統合。1200万エンティティ、1.2億トリプル
テキスト検索RAGとの違い
| 比較項目 | テキスト検索RAG | 知識グラフ接地 |
|---|---|---|
| データ形式 | 非構造化テキスト | 構造化トリプル |
| 検索方式 | ベクトル類似度 | グラフトラバーサル + SPARQL |
| 強み | 自然言語の文脈保持 | エンティティ間の正確な関係 |
| 弱み | 関係性の暗黙的表現 | 自然言語との橋渡しが必要 |
| 多段推論 | 困難（コンテキスト膨張） | 得意（パスクエリ） |
| 更新性 | ドキュメント再インデックス | トリプル単位で即時更新 |
主要な手法
GraphRAG（Microsoft, 2024）
Microsoftが提案したGraphRAGは、テキストコーパスからエンティティと関係を自動抽出して知識グラフを構築し、コミュニティ検出アルゴリズムでクラスタリングした後、各コミュニティの要約をLLMで生成する。
- グローバル検索: 全コミュニティ要約を使った包括的な回答生成。広範なテーマの質問に有効
- ローカル検索: 特定エンティティの周辺ノードを探索。具体的な事実質問に有効
- 性能: HotPotQAで従来RAGより+9.1%の精度向上。特に「AとBの関係は？」型の質問で+15%以上
KAPING（Baek et al., 2023）
Knowledge-Augmented Prompt with Iterative Narrowingの略。知識グラフからLLMプロンプトを反復的に精緻化する。
- ユーザークエリからエンティティを抽出
- 知識グラフでk-hopの近傍ノードを取得（k=1〜3）
- 取得したトリプルをLLMプロンプトに統合
- 生成結果が不十分なら探索範囲を拡大して再試行
KG-augmented Generation
知識グラフを直接プロンプトに組み込む手法の総称：
- トリプル注入: 関連するトリプル（主語, 述語, 目的語）をテキスト形式でプロンプトに追加
- サブグラフ注入: 質問に関連するサブグラフ全体をJSON-LD等で提供
- パス注入: 2つのエンティティ間の最短パスを提供（多段推論用）
知識グラフ構築と連携ツール
| ツール | 種類 | 特徴 | 価格帯 |
|---|---|---|---|
| Neo4j | グラフDB | Cypher クエリ、APOC ライブラリ、LangChain統合 | Community: 無料、Enterprise: 年$36,000〜 |
| Amazon Neptune | マネージドグラフDB | Gremlin/SPARQL対応、サーバーレス構成対応 | $0.10/GB-月〜 |
| TigerGraph | 分散グラフDB | 10TB超のグラフ対応、機械学習統合 | Community: 無料 |
| Stardog | 知識グラフプラットフォーム | SPARQL + 推論エンジン、仮想グラフ | Enterprise: 要問合 |
| NebulaGraph | 分散グラフDB | 2000億ノード対応、中国テック企業で採用実績 | OSS: 無料 |
LLMとの連携パターン
- Text-to-Cypher: ユーザーの自然言語質問をCypherクエリに変換（LangChain GraphCypherQAChain）
- Text-to-SPARQL: SPARQL エンドポイントに対する自動クエリ生成
- Entity Linking: ユーザー入力のエンティティを知識グラフのノードにマッピング
- Hybrid Search: ベクトル検索（テキスト）+ グラフトラバーサル（構造）の併用
実装アーキテクチャ例
Neo4j + LangChain構成
ユーザークエリ → エンティティ抽出（LLM）→ Neo4j Cypher実行 →
結果トリプルをプロンプトに注入 → LLM生成 → 引用付き回答
- エンティティ抽出精度: GPT-4でF1 0.87、Llama-3-70Bで0.79
- Cypherクエリ生成成功率: GPT-4で82%、Claude 3.5で79%
- エンドツーエンドレイテンシ: 平均1.2秒（Neo4j AuraDB使用時）
Wikidata SPARQL連携
Wikidata Query Service（WDQS）にSPARQLクエリを送信し、構造化された事実を取得してLLMプロンプトに統合。無料で利用可能だが、レート制限（1秒1リクエスト）に注意。
ベンチマークと評価
| ベンチマーク | タスク | GraphRAG精度 | 通常RAG精度 | 差分 |
|---|---|---|---|---|
| HotPotQA | 多段推論QA | 44.3% | 35.2% | +9.1% |
| ComplexWebQ | 複雑なWeb質問 | 58.7% | 51.3% | +7.4% |
| MuSiQue | マルチステップ推論 | 39.1% | 28.5% | +10.6% |
| 2WikiMultihopQA | 2段推論 | 47.8% | 39.2% | +8.6% |
特に多段推論（multi-hop reasoning）を要する質問で、知識グラフ接地は顕著な効果を示す。
よくある質問（FAQ）
Q1: 知識グラフの構築コストは高いですか？ A: 手動構築は非常に高コストだが、2025年以降はLLMによる自動抽出が実用化されている。GPT-4を使ったエンティティ・関係抽出のF1スコアは0.87に達し、1万ドキュメントの自動KG構築が数時間〜1日で完了する。Microsoft GraphRAGはテキストからの自動構築をサポート。
Q2: テキストRAGと知識グラフ接地のどちらを選ぶべきですか？ A: 単純な事実質問や検索型のタスクにはテキストRAGが適している。エンティティ間の関係性や多段推論が重要な場合（医療、法律、金融等）は知識グラフ接地が有効。実務では両者のハイブリッド（テキスト検索 + グラフ探索）が最も効果的とされる。
Q3: 小規模なプロジェクトでも知識グラフは使えますか？ A: 使える。Neo4j Community Edition（無料）+ LangChain GraphCypherQAChainで、数千〜数万トリプルの知識グラフ連携を低コストで構築できる。Wikidata等の公開KGを活用すれば、自前のKG構築なしでも知識グラフ接地が可能。
Q4: 知識グラフの更新頻度はどの程度必要ですか？ A: ドメインにより異なるが、ニュース・金融は日次〜時間単位、技術文書は週次〜月次、百科事典的知識は月次〜四半期が目安。トリプル単位の部分更新が可能なため、テキストRAGのように全インデックス再構築は不要。
まとめ
- 知識グラフ接地はエンティティ間の構造化された関係を活用するグラウンディング手法
- GraphRAGはHotPotQAで通常RAGを+9.1%上回る精度を達成
- Neo4j、Amazon Neptune等のグラフDBとLLMの連携が実用段階に
- 多段推論タスクでは知識グラフ接地がテキストRAGを大幅に上回る
- テキストRAGとの併用（ハイブリッド構成）が2026年のベストプラクティス