Knowledge graph: Hvad er en vidensgraf?

En knowledge graph, på dansk en vidensgraf, organiserer viden om ting og deres forbindelser. Virksomheder, personer, produkter, emner og steder beskrives som entities, der knyttes sammen med navngivne relationer.

Begrebet er veletableret inden for data og AI, selv om de præcise definitioner varierer. Grundidéen er at beskrive, hvad noget er, og hvordan det hænger sammen med andet. En knowledge graph kan implementeres på flere måder. ([emse.fr](https://www.emse.fr/~zimmermann/Papers/csur2021.pdf))

Hvad er entities og relationer?

En entity er en identificerbar ting eller et begreb. I grafen repræsenteres den som et knudepunkt. Relationerne er forbindelserne mellem knudepunkterne, og deres navne fortæller, hvad forbindelserne betyder.

Tænk på en fiktiv B2B-virksomhed, NordTek:

• NordTek udvikler produktet FlowPlan.
• Maja Jensen arbejder for NordTek.
• NordTek har hovedkontor i Aarhus.
• FlowPlan bruges til produktionsplanlægning.
• En kundecase beskriver brugen af FlowPlan.

Virksomheden, personen, produktet, stedet, emnet og kundecasen kan forbindes i samme model. Relationer som »arbejder for« og »udvikler« har hver deres betydning. ([emse.fr](https://www.emse.fr/~zimmermann/Papers/csur2021.pdf))

Entydig identifikation gør det muligt at samle oplysninger om samme entity på tværs af kilder. Et produkt kan godt have tre kælenavne i salgsafdelingen. Systemet bør vide, at det stadig er samme produkt. ([w3.org](https://www.w3.org/TR/rdf12-primer/))

Hvordan adskiller en knowledge graph sig fra en dokumentdatabase?

En dokumentdatabase samler typisk oplysninger i dokumenter, eksempelvis en produktpost med navn, egenskaber og beskrivelser. Den kan også bruge referencer mellem dokumenter. I en knowledge graph er de navngivne relationer en central del af datamodellen. ([mongodb.com](https://www.mongodb.com/docs/manual/data-modeling/concepts/embedding-vs-references/))

Grafen kan derfor bruges til at følge forbindelser gennem flere led. Et spørgsmål som »Hvilke kundecases handler om produkter til produktionsplanlægning?« kan besvares ved at forbinde cases, produkter og emner, hvis oplysningerne er modelleret.

Dokumenter og grafer kan supplere hinanden. Produktark og cases leverer forklaringer og belæg, mens grafen beskriver udvalgte sammenhænge mellem oplysningerne. ([emse.fr](https://www.emse.fr/~zimmermann/Papers/csur2021.pdf))

Hvordan hænger RDF og schema.org sammen med knowledge graphs?

RDF står for Resource Description Framework. Det er en datamodel til at udtrykke oplysninger som udsagn med tre dele: subjekt, relation og objekt. Et forenklet eksempel er »NordTek – udvikler – FlowPlan«. Sådanne udsagn kaldes triples og kan tilsammen danne en graf. RDF understøtter også værdier som navne, datoer og tal. ([w3.org](https://www.w3.org/TR/rdf12-primer/))

Schema.org er et fælles ordforråd til at beskrive blandt andet virksomheder, personer, produkter og steder med strukturerede data. Det giver betegnelser som Organization, Person og Product samt egenskaber, der beskriver dem. Ordforrådet kan bruges på websites, så søgemaskiner får tydeligere oplysninger om indholdets betydning. ([schema.org](https://schema.org/docs/gs.html))

RDF og schema.org udfylder altså forskellige roller: RDF beskriver modellen for udsagn, mens schema.org leverer et ordforråd. En knowledge graph behøver ikke bruge RDF, og schema.org-markup på et website udgør ikke nødvendigvis en samlet virksomhedsvidensgraf. ([emse.fr](https://www.emse.fr/~zimmermann/Papers/csur2021.pdf))

Hvorfor er knowledge graphs relevante for søgning og AI visibility?

Google har sin egen Knowledge Graph med entities som organisationer, personer og steder. Google beskriver også, hvordan strukturerede data om en organisation kan hjælpe med at identificere virksomheden og skelne den fra andre organisationer i søgeresultaterne. ([developers.google.com](https://developers.google.com/knowledge-graph))

For en marketingansvarlig peger det mod et konkret arbejde: Beskriv tydeligt, hvem virksomheden er, hvilke produkter den tilbyder, og hvordan indholdet hænger sammen. Brug konsekvente navne, præcise beskrivelser og relevante strukturerede data.

Effekten på AI visibility bør vurderes med forbehold. Google kræver ingen særlig schema.org-markup til AI Overviews eller AI Mode. Strukturerede data skal stemme med sidens synlige indhold, og opfyldte krav giver ingen garanti for visning. Den vejledning gælder Googles egne søgefunktioner. ([developers.google.com](https://developers.google.com/search/docs/appearance/ai-features))

Hvordan kan AI bruge en knowledge graph?

Knowledge graphs kan indgå i systemer, der finder relevant viden til en sprogmodel. Microsofts GraphRAG er et eksempel: Systemet udtrækker entities og relationer fra tekst og bruger grafen sammen med opsummeringer som grundlag for AI-svar. ([microsoft.github.io](https://microsoft.github.io/graphrag/))

En intern assistent kunne eksempelvis forbinde et produkt med dets anvendelsesområder, relevante cases og ansvarlige fagpersoner. Det kræver, at oplysningerne findes, forbindelserne er korrekte, og assistenten har adgang til dem.

En intern graf bliver kun brugbar for de systemer, der får adgang til den. Ekstern synlighed og intern vidensstruktur bør derfor behandles som to særskilte opgaver.

HappiLeap-perspektivet: Afprøv behovet med rigtige spørgsmål

Hos HappiLeap bruger vi entity clarity som et praktisk arbejdsbegreb for entydig identitet og tydelige forbindelser. Start med at afklare, hvad der er virksomhed, brand, produkt og emne, og hvilke navne der dækker samme ting.

Arbejdsreglen er enkel: Vælg fem spørgsmål, som kunder eller medarbejdere faktisk stiller. Kortlæg de entities og relationer, der skal til for at besvare dem. Det giver et konkret grundlag for at vurdere, om en knowledge graph er relevant.

Lav derefter en ændringstest: Hvis et produkt skifter navn eller udgår, hvem retter oplysningerne, og hvilke forbindelser skal opdateres? Knyt centrale oplysninger til en aftalt source of truth og en ansvarlig ejer. En graf kan også forbinde forældede oplysninger ganske effektivt.