Skip to content
Retour aux résultats

Analyse de graphe de connaissances

Introduite par
Ehrlinger, L. & Wöß, W.; Google (popularized)
Année
2012–2016
Type
Graph-based knowledge representation and analysis
Famille
Network science

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

L'analyse de graphe de connaissances est un cadre pour représenter, stocker et raisonner sur des connaissances factuelles structurées sous forme de graphe orienté d'entités et de relations typées.

Les entités (nœuds) et les relations (arêtes) sont exprimées sous forme de triplets sujet-prédicat-objet, permettant des requêtes riches, l'inférence et l'intégration de sources de données hétérogènes dans des domaines tels que la recherche biomédicale, le commerce électronique et la littérature scientifique.

L’intuition derrière la méthode

Considérez un graphe de connaissances comme une encyclopédie géante, lisible par machine, où chaque fait est stocké sous forme de triplet structuré : 'Einstein — néDans — Ulm'. Contrairement à une table plate, cette structure de graphe vous permet de naviguer dans des chaînes de sens — trouver toutes les institutions où des lauréats du prix Nobel ayant étudié en Allemagne ont ensuite enseigné — par simple parcours de graphe plutôt que par des jointures SQL complexes. Les tâches analytiques demandent alors : quelles entités sont les plus connectées, quelles communautés de concepts se regroupent, quels faits sont susceptibles de manquer, et quelles nouvelles relations peuvent être inférées à partir de celles existantes ?

Histoire

Le terme 'graphe de connaissances' a été popularisé par Google en 2012 lors du lancement de son Knowledge Graph pour améliorer les résultats de recherche avec des faits structurés. Une définition académique formelle a été proposée par Ehrlinger et Wöß en 2016. Le domaine s'appuie sur des travaux antérieurs dans les technologies du web sémantique (RDF, OWL) du début des années 2000 et sur des bases de connaissances d'IA symbolique telles que Cyc (1984). Depuis 2017, les réseaux neuronaux de graphes et les embeddings basés sur des transformeurs ont considérablement fait progresser l'achèvement et le raisonnement des graphes de connaissances.

Quand l’utiliser

Utilisez l'analyse de graphe de connaissances lorsque votre problème de recherche implique des entités hétérogènes et interconnectées provenant de plusieurs sources et que vous avez besoin d'interroger des chaînes de relations, d'inférer des faits manquants ou d'intégrer des ontologies de domaine — par exemple, cartographier des réseaux de co-auteurs et de citations, des réseaux d'interactions médicament-gène-maladie, ou des graphes produit-client-attribut. Elle excelle lorsque les données arrivent sous forme de triplets relationnels ou peuvent être naturellement exprimées ainsi. Ne l'utilisez pas lorsque vos données sont une simple table plate sans structure significative d'entité-relation, lorsque vous avez besoin d'une inférence statistique transparente avec des p-valeurs et des intervalles de confiance (utilisez la régression ou ERGM à la place), ou lorsque le graphe est suffisamment petit pour qu'une requête de base de données relationnelle suffise.

Limites et points d’attention

  • La construction nécessite un effort substantiel d'ingénierie des données : l'extraction d'entités, la résolution de coréférences et la conception d'ontologies ne sont pas triviales.
  • La qualité du graphe dépend de l'exhaustivité et de l'exactitude des données sources ; des triplets épars ou bruités dégradent la qualité de l'inférence.
  • Les modèles de prédiction de liens basés sur des embeddings sont des boîtes noires ; expliquer pourquoi un triplet a été prédit nécessite des outils d'interprétabilité supplémentaires.
  • Absence de cadre de signification statistique intégré — contrairement à ERGM ou à la régression, il n'y a pas de p-valeurs pour les arêtes ou les chemins individuels.
  • Coût de maintenance : à mesure que les faits sous-jacents changent, le graphe doit être mis à jour pour éviter les connaissances obsolètes ou contradictoires.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Intègre des données hétérogènes provenant de multiples sources sous un schéma sémantique unifié.
  • Permet des requêtes et un raisonnement multi-sauts que les tables plates et les bases de données relationnelles ne peuvent pas facilement supporter.
  • Prend en charge la prédiction de liens et l'achèvement des connaissances via des embeddings de graphes, faisant émerger des faits implicites.
  • Compatible avec les métriques standard de la science des réseaux (centralité, détection de communautés) pour l'analyse structurelle.
  • Hautement évolutif : les graphes à grande échelle tels que Wikidata ou le Knowledge Graph de Google contiennent des milliards de triplets.
  • Facilite l'interopérabilité grâce à des normes ouvertes (RDF, OWL, SPARQL).

Applications

  • Analyse bibliométrique et de réseaux de citations : cartographie des fronts de recherche, des auteurs clés et des clusters conceptuels dans un domaine scientifique.
  • Graphes de connaissances biomédicales : intégration des interactions médicament-gène-maladie pour la repositionnement de médicaments et la prédiction d'effets indésirables.
  • Réponse aux questions et recherche d'informations : ancrage des réponses des grands modèles linguistiques dans des connaissances factuelles structurées.
  • Recommandation en e-commerce : liaison des produits, attributs, préférences utilisateur et historiques d'achat pour des recommandations explicables.
  • Intégration de données d'entreprise : unification des silos de données entre les départements grâce à un schéma sémantique partagé.
  • Recherche en sciences sociales : représentation des acteurs politiques, des textes législatifs et des affiliations institutionnelles comme entités interconnectées pour une analyse relationnelle.

Comment ça marche

Comment ça marche

1

Le processus commence par l'identification des entités — personnes, lieux, concepts, publications, produits chimiques — à partir de textes sources, de bases de données ou d'ontologies. Chaque entité unique devient un nœud dans le graphe, se voyant attribuer un identifiant canonique (URI ou ID interne) pour résoudre les synonymes et les variantes de forme de surface (par exemple, 'OMS' et 'Organisation Mondiale de la Santé' fusionnent en un seul nœud).

2

Des arêtes dirigées et typées sont créées entre les entités pour encoder les relations factuelles (par exemple, auteurDe, situéDans, interagitAvec). La structure formelle de triplet G = (E, R, T), où T est un ensemble de triplets (sujet, prédicat, objet) avec les sujets et objets tirés de l'ensemble d'entités E et les prédicats de l'ensemble de relations R, sous-tend les implémentations RDF et de graphe de propriétés.

Formule
G = (E, R, T), \; T \subseteq E \times R \times E
3

Une couche de schéma — une ontologie ou une taxonomie — contraint les types d'entités et les types de relations autorisés, permettant des requêtes cohérentes entre les sources. Des algorithmes d'alignement détectent et fusionnent les concepts qui se chevauchent ou sont équivalents provenant de différents schémas, ce qui est essentiel lors de l'intégration de plusieurs bases de connaissances (par exemple, DBpedia + Wikidata).

4

Les entités et les relations sont mappées à des représentations vectorielles continues (embeddings) à l'aide de méthodes telles que TransE, RotatE ou ComplEx. Ces embeddings capturent la proximité structurelle et sémantique, permettant la prédiction de liens (inférence de triplets manquants), la désambiguïsation d'entités et les tâches d'apprentissage automatique en aval à l'aide de modèles numériques standard.

5

Les requêtes SPARQL ou Cypher récupèrent des faits multi-sauts, tandis que le raisonnement basé sur des règles ou des embeddings infère des triplets implicites (par exemple, si A enseigne à B et B enseigne à C, alors A encadre indirectement C). Les algorithmes de centralité, de détection de communautés et d'analyse de chemins issus de la science des réseaux classique sont ensuite appliqués au graphe résultant pour faire émerger les entités clés, les clusters et les flux d'information.

Pièges courants

  • Traiter le graphe de connaissances comme une vérité terrain sans tenir compte de son incomplétude — tous les graphes de connaissances du monde réel ont des arêtes manquantes.
  • Choisir un modèle d'embedding de graphe (par exemple, TransE) sans validation sur un benchmark de prédiction de liens mis de côté, conduisant à une inférence trop confiante.
  • Fusionner des entités provenant de différentes sources sans résolution de coréférences appropriée, créant des nœuds dupliqués ou confondus.
  • Confondre la couche de schéma (ontologie) avec la couche d'instance (triplets réels), entraînant des violations de type et des requêtes invalides.
  • Appliquer des algorithmes de détection de communautés conçus pour des graphes non dirigés à un graphe de connaissances dirigé sans tenir compte de la directionnalité des arêtes.

Questions fréquentes

Quelle est la différence entre un graphe de connaissances et un réseau standard ou un réseau social ?

Un graphe de réseau standard a généralement des arêtes non étiquetées ou de type uniforme (par exemple, 'connecté à'). Un graphe de connaissances utilise des relations typées et sémantiquement significatives (par exemple, 'auteurDe', 'situéDans') et est ancré dans une ontologie, permettant l'inférence logique. L'analyse des réseaux sociaux se concentre sur les propriétés structurelles des connexions entre les acteurs, tandis que l'analyse des graphes de connaissances met l'accent sur le contenu sémantique des relations et les entités multi-types.

Dois-je utiliser RDF et SPARQL, ou puis-je utiliser une base de données de graphe de propriétés comme Neo4j ?

Les deux sont valides. RDF/SPARQL est la norme W3C et est préférable pour l'interopérabilité des données ouvertes et le raisonnement basé sur l'ontologie. Les graphes de propriétés (Neo4j/Cypher) sont plus conviviaux pour les développeurs et souvent plus rapides pour les requêtes de parcours sur des graphes de taille modérée. Les méthodes analytiques — centralité, détection de communautés, prédiction de liens — s'appliquent de la même manière aux deux représentations.

Comment évaluer la qualité des prédictions de liens faites par un modèle d'embedding de graphe ?

Le protocole standard consiste à mettre de côté un échantillon aléatoire de triplets connus comme ensemble de test, à les retirer du graphe, à entraîner le modèle d'embedding sur les triplets restants, puis à classer les candidats pour chaque triplet mis de côté et à rapporter le Mean Reciprocal Rank (MRR) et les Hits@k (k = 1, 3, 10).

L'analyse de graphe de connaissances peut-elle être combinée avec le traitement du langage naturel ?

Oui, et c'est de plus en plus courant. Les pipelines NLP effectuent la reconnaissance d'entités nommées et l'extraction de relations pour peupler le graphe à partir de textes non structurés. Inversement, les graphes de connaissances fournissent un contexte structuré qui améliore les tâches NLP telles que la désambiguïsation d'entités et la réponse aux questions ancrées.

L'analyse de graphe de connaissances convient-elle aux petits ensembles de données ?

Un graphe de connaissances peut être construit à n'importe quelle échelle, mais les modèles d'embedding de graphes pour la prédiction de liens nécessitent une couverture suffisante des cooccurrences entité-relation pour apprendre des représentations significatives — généralement des milliers de triplets. Pour les très petits ensembles de données, le raisonnement symbolique basé sur des règles ou des métriques de réseau plus simples (degré, intermédiarité) sont plus fiables que les embeddings appris.

Méthodes associées

Sources

  1. Ehrlinger, L. & Wöß, W. (2016). Towards a Definition of Knowledge Graphs. In Proceedings of the SEMANTICS Posters and Demos Track (SEMANTiCS 2016). CEUR Workshop Proceedings, vol. 1695.

    Ouvrir la référence de la publication
    Copié.
  2. Hogan, A., Blomqvist, E., Cochez, M., d'Amato, C., Melo, G. de, Gutierrez, C., Kirrane, S., Gayo, J. E. L., Navigli, R., Neumaier, S., Ngomo, A.-C. N., Polleres, A., Rashid, S. M., Rula, A., Schmelzeisen, L., Sequeda, J., Staab, S., & Zimmermann, A. (2021). Knowledge Graphs. ACM Computing Surveys, 54(4), 71.

    Ouvrir la référence DOI
    Copié.