Wissensgraphen speichern Entitäten und Beziehungen als verknüpfte Fakten, die KI abfragen kann. Funktionsweise, GraphRAG und Bedeutung für GEO.

Auf dieser Seite
Zusammenfassung
Wissensgraphen sind Netzwerke aus Entitäten wie Personen, Unternehmen oder Produkten, die durch benannte Beziehungen verbunden sind. Maschinen fragen diese Verbindungen ab, um über Fakten zu schlussfolgern, statt unscharfe Texte zu vergleichen. Dadurch werden Antworten genauer und leichter nachvollziehbar, und Suchmaschinen und KI-Systeme können sie einfacher zitieren.
Möchten Sie mehr erfahren? Fragen Sie
Wissensgraphen speichern Informationen als Netzwerk statt in Zeilen und Spalten. Jeder Knoten ist eine Entität, jede Kante eine Beziehung zwischen zwei Entitäten, und beide können beschreibende Attribute tragen. Das Ergebnis ist eine Landkarte von Fakten, der Software folgen, die sie abfragen und prüfen kann. Deshalb stützen sich Suchmaschinen und KI-Assistenten auf diese Idee.
Ein Wissensgraph ist ein vernetzter Datenbestand über reale Dinge und die Art, wie sie zusammenhängen. Die Dinge, Entitäten genannt, können Personen, Unternehmen, Produkte, Orte oder Konzepte sein. Das bekannteste Beispiel ist der Google Knowledge Graph, doch das Modell ist allgemein gültig und wird auch für Unternehmensdaten, Forschungsdatenbanken und interne Suchsysteme genutzt.
Google stellte seinen Graphen im Mai 2012 als Modell vor, das Dinge und ihre Beziehungen versteht und nicht nur Zeichenketten. In seinem Ankündigungsbeitrag schrieb Google, der Graph enthalte mehr als 500 Millionen Objekte und mehr als 3,5 Milliarden Fakten über sie und die Beziehungen zwischen ihnen.
Die Grundeinheit ist das Tripel, eine Aussage aus Subjekt, Prädikat und Objekt. Der W3C RDF 1.1 Primer erklärt, dass RDF-Aussagen aus drei Elementen bestehen, den sogenannten Tripeln, und dass Subjekte und Objekte zu Knoten des Graphen werden, während Prädikate die Kanten zwischen ihnen bilden.
Ein Tripel liest sich wie ein kurzer Satz. Der Screenshot unten zeigt den öffentlichen Wikidata-Eintrag zum Schriftsteller Douglas Adams, in dem die Aussage „Instanz von: Mensch“ eine Entität mit einer allgemeineren Kategorie verbindet. Dieselbe Entität kann mit vielen weiteren Entitäten verbunden sein, und jede Verbindung fügt dem Graphen eine weitere Kante hinzu.

Eine Ontologie ist der Bauplan des Graphen. Sie legt fest, welche Entitätstypen es gibt, welche Beziehungen erlaubt sind und welche Regeln gelten, etwa dass jede Bestellung mindestens ein Produkt enthalten muss. So bleibt der Graph konsistent, und Software kann über ihn schlussfolgern, statt zu raten.
Wissensgraphen liegen meist in Graphdatenbanken oder Triplestores, etwa Neo4j, Amazon Neptune oder GraphDB. Diese Systeme sind darauf ausgelegt, von einem Knoten zu seinen Nachbarn und von dort weiter zu gehen, was in einer klassischen relationalen Datenbank bei langen Beziehungsketten umständlich auszudrücken ist.
Dieses Durchlaufen über mehrere Schritte ist die größte Stärke eines Graphen. Eine Frage wie „Welche Lieferanten eines Produkts beliefern auch einen Wettbewerber?“ braucht im Tabellenmodell mehrere Joins, während ein Graph einfach den Kanten zwischen den betroffenen Knoten folgt.
Eine normale Datenbank speichert Daten in Tabellen und behandelt Beziehungen als Joins, die erst beim Ausführen einer Abfrage berechnet werden. Ein Wissensgraph speichert die Beziehungen als eigenständige Daten, sodass Verbindungen direkt durchlaufen, ergänzt und erklärt werden können. Suchmaschinen und KI-Systeme nutzen dies, um Fragen zu beantworten, die davon abhängen, wie mehrere Fakten zusammenhängen.
Entwickler können den Graphen von Google auch abfragen. Die Knowledge Graph Search API findet Entitäten im Google Knowledge Graph, verwendet die Standardtypen von schema.org und liefert JSON-LD zurück. Die Dokumentation weist außerdem darauf hin, dass Google diese API auf Cloud Enterprise Knowledge Graph umstellt. Prüfen Sie deshalb die aktuellen Optionen, bevor Sie darauf aufbauen. Der Screenshot unten zeigt den oberen Teil dieser Dokumentationsseite.

Retrieval Augmented Generation findet normalerweise Textpassagen mit ähnlicher Formulierung und lässt das Modell sie zusammensetzen. GraphRAG ergänzt diesen Ablauf um einen Wissensgraphen. Das System ruft eine verbundene Menge verwandter Entitäten und Beziehungen ab und übergibt diese Struktur als Kontext an das Modell.
Die Vorteile sind praktisch. Ein Graph, der festhält, dass ein Produkt die Teile A und B hat, erlaubt dem Modell, genau diese Teile aufzuzählen. Viele Pipelines kombinieren Graphen außerdem mit der Vektorsuche: Embeddings finden ähnliche Texte, und der Graph prüft, wie die Fakten zusammenhängen.
Wissensgraphen verringern KI-Halluzinationen, indem sie eine Antwort auf Beziehungen beschränken, die in den Daten bereits existieren. Fehlt im Graphen eine Verbindung zwischen zwei Fakten, hat das Modell weniger Spielraum, eine zu erfinden. Der Effekt ist bei präzisen Fragen am stärksten, wo eine falsche Verbindung teuer wird.
Die Struktur macht Antworten außerdem nachvollziehbar. Jede Aussage lässt sich auf die Knoten und Kanten zurückführen, die sie stützen, sodass ein Team prüfen kann, warum ein System etwas gesagt hat. Bei einer reinen Textsuche ist dieser Weg deutlich schwerer zu überprüfen. Ein Graph beseitigt Fehler allerdings nicht von selbst: Ein falsches Tripel erzeugt eine falsche Antwort mit derselben Sicherheit wie eine richtige.
Wissensgraphen belohnen Inhalte, die Maschinen in Entitäten und Beziehungen zerlegen können. Wenn Ihre Seiten ihre Entitäten klar benennen, Schema-Markup einsetzen und Fakten konsistent halten, können Suchmaschinen und KI-Systeme Ihre Marke dem Graphen zuordnen, auf den sie sich stützen. Das ist der Kerngedanke des Entity SEO.
Beschreiben Sie Ihre Organisation, Ihre Produkte und Ihre Autoren überall mit denselben Fakten und prüfen Sie das Ergebnis danach mit dem kostenlosen Validator für strukturierte Daten von Sorank. Wie Markup KI-Antworten beeinflusst, erklärt der Beitrag Was strukturierte Daten in der KI-Suche wirklich bewirken.
Wissensgraphen verwandeln verstreute Fakten in eine vernetzte Struktur, die Maschinen abfragen und über die sie schlussfolgern können. Deshalb stecken sie hinter vielen präzisen KI-Antworten. Indem sie Entitäten und Beziehungen ausdrücklich kodieren, verringern sie Halluzinationen, ermöglichen mehrstufiges Schlussfolgern und machen Ergebnisse leichter nachvollziehbar. Halten Sie Ihre eigenen Fakten konsistent und klar benannt, damit Ihre Marke in die Graphen passt, die Suchmaschinen und KI-Assistenten bereits nutzen.
Quellen
Eine normale Datenbank speichert Daten in Tabellen und berechnet Beziehungen erst bei der Abfrage. Ein Wissensgraph speichert Beziehungen als Daten, sodass Verbindungen direkt durchlaufen, ergänzt und erklärt werden können.
Normales Retrieval Augmented Generation findet Textpassagen mit ähnlicher Formulierung. GraphRAG ergänzt einen Wissensgraphen, sodass das System eine verbundene Menge aus Entitäten und Beziehungen statt isolierter Ausschnitte abruft und die Antwort auf strukturierte Fakten stützt.
Indirekt ja. Seiten mit klaren Entitäten, konsistenten Fakten und gültigen strukturierten Daten lassen sich leichter den Graphen zuordnen, die Suchmaschinen und KI-Systeme nutzen. Klare, verlässliche Informationen werden eher angezeigt und zitiert.
