🔖 キーワード索引

知識グラフは、事実を（主語, 述語, 目的語）のトリプルで持ち、エンティティをノード、関係を辺とするグラフとして扱う。下のチップは、その書き方の標準（RDF）と問い合わせ言語（SPARQL）、型の体系（オントロジー）、公開されている代表的な知識グラフ（Wikidata・DBpedia）である。

🎨 直感で掴む

人物データを「テーブル」と「グラフ」で表す違い：

• テーブル：行＝人、 列＝属性（名前、 生年、 国籍...）。 シンプル。
• グラフ：人どうしの関係も 第一級市民。 「アインシュタイン --師事-→ ミンコフスキー」 「アインシュタイン --配偶者-→ ミレーバ」など。

テーブルでも「師匠 ID」列で表現はできますが、 関係の種類が増えるたびに列が増殖。 グラフは 任意の関係を任意に追加 できる柔軟性が魅力です。

🎨 概念図で押さえる

知識グラフは「主語-述語-目的語」のトリプルでドメイン知識を構造化する。 ここでは「トリプル構造」「都道府県知識グラフの実例」「RDB との違い」を視覚化する。

知識グラフの最小単位: トリプル (Subject - Predicate - Object)東京都Subject人口はPredicate (述語)1396 万人Objectトリプル例 (SSDSE-B-2026 抽出):(東京都, hasPopulation, 13960000) / (北海道, hasArea, 83424.31) / (沖縄県, locatedIn, 九州沖縄)'>

都道府県知識グラフ (SSDSE-B-2026 起点)東京都Prefecture関東地方locatedIn日本CountrypartOf1396万人PopulationhasPopulation23 区Wardcontains2,194 km²AreahasArea'>

RDB と 知識グラフ (Graph DB) の比較RDB (テーブル指向)prefecture_id | name | pop | area13 | 東京都 | 13960000 | 219414 | 神奈川 | 9237337 | 2416✓ 集計クエリが速い✗ 多段 JOIN が苦手✗ スキーマ硬直知識グラフ (関係指向)東京日本アジア関東✓ 多段関係をたどれる✓ スキーマ柔軟 (新述語追加可)'>

🎮 触って理解する — ミニ知識グラフを操作する

中国地方の 5 県（鳥取・島根・岡山・広島・山口）を題材にした ミニ知識グラフ です。 県 → 地方 → 国という所属関係は地理的事実、 人口は SSDSE-B-2026（2023 年）の実測値（広島県 2,738,000 人、 鳥取県 537,000 人）を丸めたものです。 ① ノードをタップ すると隣接関係がハイライトされ、 そのノードを含むトリプル（主語, 述語, 目的語）が一覧表示されます。 ② 「2 ホップ推論」 ボタンで「広島県 → 中国地方 → 岡山県」のような経路探索を体感できます。 ③ トリプル追加フォーム で新しい知識を足すと、 グラフが動的に成長します。

💡 直感を一段深く — RDB との違いを「体感」から言語化する

同じデータを RDB で持つなら「都道府県テーブルに『地方』列を足した 47 行の表」になります。 ここで「広島県と同じ地方の県は？」に答えるには 自己結合（self JOIN） が必要で、 3 ホップ・4 ホップと深くなるたびに JOIN が積み重なります。 グラフではウィジェットで体感した通り エッジを辿るだけ、 しかも目的語 → 主語という 逆方向の参照も無料 です（2 ホップ推論の「←locatedIn−」がそれ）。 さらにフォームで hasPopulation 以外の新しい述語を足しても ALTER TABLE は不要 — これが「スキーマ柔軟」の正体で、 クエリが「表の結合」ではなく グラフのパターンマッチ になる点が本質的な違いです。

⚠️ 触ってみると分かる落とし穴 — スキーマ設計と同名異義

同名異義・エンティティ同一性：フォームに「広島」とだけ入力してみてください。 「広島県」とは別の第 3 のノードが生まれ、 知識が分断されます。 「広島県」と「広島市」も別エンティティですし、 このグラフの「中国地方」の 中国 と国名の 中国 は同名異義の典型例。 実務では URI（Wikidata の QID など）で一意化するのが定石です。 述語の表記揺れ：locatedIn の代わりに in_region や「所在地方」で追加すると、 2 ホップ推論の経路が繋がらなくなることを確認できます。 語彙（オントロジー）を最初に 1 本化すべき理由がここにあります。 リテラルとエンティティの区別：「273.8万人」のような値ノードは終端で、 そこから先へは辿れません。 何をエンティティ（辿れるノード）にし、 何をリテラル（属性値）にするかがスキーマ設計の第一歩です。

🚀 発展 — RDF・SPARQL・グラフ埋め込みへ

このウィジェットの 2 ホップ推論は、 SPARQL のプロパティパス ?x ex:locatedIn/^ex:locatedIn ?y（locatedIn を順方向 → 逆方向に辿る）と同じ発想です。 W3C 標準の RDF でトリプルを表現すれば、 Wikidata などの オープンデータ と連結でき、 SQL 的な感覚のままグラフを問い合わせられます（グラフ DB は NoSQL の一族、 基礎は データベース 参照）。 さらに TransE のような グラフ埋め込み（埋め込み）はトリプルをベクトル化して「まだ書かれていないトリプル」を推定し、 ニューラルネットワーク ベースの GNN はグラフ構造ごと学習します。 テキストからのトリプル抽出は 自然言語処理 の固有表現抽出・関係抽出が担い、 構築した KG を LLM の外部知識として使うのが RAG です。 グラフ理論としての性質は 複雑グラフ、 描画技法は ネットワーク可視化 が隣接ページです。

📐 定義・数式

📐 推論ルールで書かれていない事実を導く — 推移律と「全部書き出す」コスト

知識グラフの強みの 1 つは、ルールから書かれていない事実を導けることにある。「x が y より人口が多く、y が z より多いなら、x は z より多い」（推移律）を、SSDSE-B-2026 の 2023 年度の総人口の順位で確かめる。書いておくのは人口順で隣り合う 46 組だけにして、ルールを何回当てると全部の組がそろうか、そろえると何本になるかを数える。

🎯 このコードでやること：人口順で隣り合う県の組 46 本を（x, 人口が多い, y）として持ち、推移律を新しいトリプルが出なくなるまで繰り返して、導かれる事実の本数と繰り返し回数を数える。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]
order = d.sort_values('A1101', ascending=False)['Prefecture'].tolist()

# 書いてある事実: 人口順で隣り合う県だけ（東京都 > 神奈川県 > 大阪府 > …）
base = {(a, '人口が多い', b) for a, b in zip(order[:-1], order[1:])}

# 推移律ルール: (x 多い y) かつ (y 多い z) なら (x 多い z) を、増えなくなるまで適用する
closure, rounds = set(base), 0
while True:
    new = {(x, r, z) for (x, r, y) in closure for (y2, _, z) in closure if y == y2} - closure
    if not new:
        break
    closure |= new
    rounds += 1
print(f'書いてある事実 {len(base)} 本 → 推論で導ける事実を全部書き出すと {len(closure):,} 本（{len(closure) / len(base):.1f} 倍、ルール適用 {rounds} 回）')

ask = ('愛知県', '人口が多い', '鳥取県')
print('「愛知県は鳥取県より人口が多いか」: 書いてある事実だけ →', ask in base, ' 推論後 →', ask in closure)
k = order.index('愛知県')
print(f'愛知県は人口 {k + 1} 位。推論後に「愛知県より少ない」と分かる県: {sum(1 for x, _, _ in closure if x == "愛知県")}')

💬 46 本から、47 県のうち 2 県を選ぶ組すべて 47 × 46 / 2 ＝ 1,081 本が導かれ、元の 23.5 倍になる。1 回の適用で「たどれる長さ」が 2 倍になるので、1 → 2 → 4 → … → 64 と 6 回で 46 段の鎖が全部つながる。書いてある事実だけでは「愛知県は鳥取県より多いか」に答えられない（False）が、推論後は答えられ、4 位の愛知県より少ない県が 43 あることも分かる。

導ける事実を前もって全部書き出す（マテリアライズ）と問い合わせは速いが、トリプルは 23.5 倍に増え、元の事実が 1 つ変わると導いた事実も作り直しになる。問い合わせのたびにルールを当てる方式は保存は軽いが、ルールが多いと答えが遅くなる。OWL の推論器や SPARQL のプロパティパス（:人口が多い+）は、この 2 つのどちらか、または組み合わせで動いている。

🔬 記号・要素の読み解き

🔬 数式を言葉で読み解く（詳細版）

ナレッジグラフは集合 $G = (E, R, T)$ で、 $E$ はエンティティ集合、 $R$ は関係集合、 $T \subseteq E \times R \times E$ はトリプル集合。 グラフの密度 $\rho = |T| / (|E|^2 |R|)$、 平均次数 $\bar{d} = 2|T| / |E|$ が代表的指標。

記号を 1 つずつ言葉にすると、$E$ は「もの」（東京都・関東・アインシュタインなど、主語や目的語になるもの）の集まり、$R$ は「つながり方」（属する地方・受賞・首都など、述語になるもの）の集まり、$T \subseteq E \times R \times E$ は「どのものが、どのつながり方で、どのものにつながっているか」を列挙した事実の集まりである。$E \times R \times E$ は理論上ありうるトリプルすべてなので、$|E|^2|R|$ がその総数になり、密度 $\rho$ は「ありうる事実のうち実際に書かれている割合」と読める。平均次数 $\bar{d}$ の 2 は、1 本のトリプルが主語と目的語の 2 つのノードに 1 本ずつ辺を足すことから来る。🧮 の SSDSE-B-2026 の例（47 県と 7 地方、関係 1 種類）では $|E| = 54$、$|T| = 47$ で、ありうる 2,916 本のうち 47 本しか書かれていない（$\rho \approx 0.016$）。現実の知識グラフはこのように疎で、書かれていない事実の扱い（⚠️ の閉世界・開世界）が問題になる。

🏭 産業界活用事例 6 件

ナレッジグラフ は研究室の中だけでなく、 現場で大きな価値を生み出している。 業界別に 6 例を紹介する。

📊 関連手法 比較表

ナレッジグラフ と近接する手法群の位置づけを並べる。 隣接領域を押さえると、 自分のタスクで何を使うべきかが立体的に見えてくる。

💥 現場の失敗例 5 件

「うまくいくケース」より「失敗ケース」のほうが学びが多い。 実プロジェクトで頻発する 5 つを示す。

🧮 実値で計算してみる

小さな知識グラフを構築：

• (アインシュタイン, 国籍, ドイツ)
• (アインシュタイン, 国籍, スイス)
• (アインシュタイン, 受賞, ノーベル物理学賞)
• (ノーベル物理学賞, 創設者, ノーベル)

クエリ「アインシュタインが受賞した賞の創設者は？」

1. アインシュタイン →[受賞]→ X を辿る → X = ノーベル物理学賞
2. X →[創設者]→ Y を辿る → Y = ノーベル

テーブルでは「2 つの結合」が必要ですが、 グラフでは 2 ホップ辿るだけ。

🧮 数式に値を入れて手で計算する: KG のノード次数と密度

合成データで知識グラフ (7 ノード 6 エッジ) の次数中心性を計算する。

Step 1: トリプル

Step 2: ノード次数

Step 3: 密度

🐍 Python で再現

1
2
3
4
5
6
7
8
9
10
11
12

from collections import Counter

triples = [('東京', '首都', '日本'), ('大阪', '都市', '日本'), ('日本', 'アジア', '大陸'),
           ('東京', '含', '渋谷'), ('東京', '含', '新宿'), ('大阪', '含', '梅田')]
deg = Counter()
for s, _, o in triples:        # 向きは無視し、エッジ 1 本を両端の次数に 1 ずつ数える
    deg[s] += 1
    deg[o] += 1
N, E = len(deg), len(triples)
print('次数:', dict(deg))
print(f'N={N}, E={E}, 次数の合計={sum(deg.values())} (= 2E)')
print(f'密度 = 2E/(N(N-1)) = {2*E}/{N*(N-1)} = {2*E/(N*(N-1)):.3f}')

📤 実行結果

💬 手計算の Step 2（東京 3・日本 3・大阪 2・残り 4 ノードが 1）と Step 3 の密度 12/42 = 0.286 が、トリプルから数え直した Python 出力と一致する。6 本のトリプルに出てくるノードは 7 個で、張りうる 42 本（無向なら 21 本）のうち 6 本しか無い。知識グラフは実データでも密度が 0.01 を大きく下回るほど疎なのが普通で、隣接行列ではなくトリプルの一覧や隣接リストで持つ理由がここにある。

🧮 SSDSE-B-2026 で作る知識グラフの大きさ — 密度と平均次数を実データで

上の手計算と同じ式 ρ = |T| / (|E|²|R|)、平均次数 d̄ = 2|T| / |E| を、2023 年度の 47 都道府県から作ったグラフに当てはめる。関係は「県 → 属する地方 → 7 地方」の 1 種類と、それに「総人口の順で次の県」を足した 2 種類で比べる。手で数えると、1 種類のときエンティティは 47 県 ＋ 7 地方 ＝ 54、トリプルは 47 本なので、ρ = 47 / (54² × 1) = 47 / 2,916 ≈ 0.0161、d̄ = 2 × 47 / 54 ≈ 1.741。

🎯 このコードでやること：7 地方への所属と人口順の隣接の 2 種類の関係でトリプルを作り、|E|・|R|・|T|・密度・平均次数と、地方ノードの次数を数える。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023].sort_values('Code')

def region(code):                       # 地域コード R01000〜R47000 → 7 地方
    n = int(code[1:3])
    for upper, name in [(7, '北海道・東北'), (14, '関東'), (23, '中部'), (30, '近畿'),
                        (35, '中国'), (39, '四国'), (47, '九州・沖縄')]:
        if n <= upper:
            return name

T = [(p, '属する地方', region(c)) for p, c in zip(d['Prefecture'], d['Code'])]
order = d.sort_values('A1101', ascending=False)['Prefecture'].tolist()
T2 = T + [(a, '人口が次に多い県', b) for a, b in zip(order[:-1], order[1:])]

for name, triples in [('関係 1 種（属する地方）', T), ('関係 2 種（＋人口が次に多い県）', T2)]:
    E = {s for s, _, _ in triples} | {o for _, _, o in triples}
    R = {r for _, r, _ in triples}
    rho = len(triples) / (len(E) ** 2 * len(R))
    dbar = 2 * len(triples) / len(E)
    print(f'{name}: |E|={len(E)} |R|={len(R)} |T|={len(triples)}  密度 ρ={rho:.5f}  平均次数={dbar:.3f}')

deg = pd.Series([o for _, r, o in T]).value_counts()
print('地方ノードの次数:', deg.to_dict())

💬 関係 1 種類では手計算どおり |E| = 54・|T| = 47・ρ = 0.01612・平均次数 1.741 になる。人口順の関係 46 本を足すと |T| = 93 で平均次数は 3.444 と倍近くになるが、分母に |R| = 2 が入るので密度は 0.01595 とほとんど変わらない。地方ノードの次数は中部 9 がいちばん多く、四国 4 が少ない。密度は「張れる辺のうち何割を張ったか」、平均次数は「1 つのノードから平均何本出ているか」で、関係の種類を増やしたときに動き方が違う。

🐍 Python での扱い

最小再現コード。 「アインシュタイン → 受賞 → ノーベル物理学賞」のような関係を有向グラフの辺として持ち、関係をたどって答えを引く：

1
2
3
4
5
6
7
8

import networkx as nx
G = nx.DiGraph()
G.add_edge('アインシュタイン', 'ノーベル物理学賞', rel='受賞')
G.add_edge('ノーベル物理学賞', 'ノーベル', rel='創設者')
# 2ホップ辿る
for n in G.successors('アインシュタイン'):
    for m in G.successors(n):
        print('アインシュタイン →', n, '→', m)

🐍 Python 実装 — 4 段構え narration 付き

各コードブロックは 🎯 目的 / 📥 入力 / 🐍 コード / 📤 出力 / 💬 解説 の 5 要素セット。 SSDSE-B-2026 の 47 都道府県データ（2023 年）に実値計算して結論まで導く。

🎯 このコードでやること：SSDSE-B-2026 の 47 都道府県データから「県 - 総人口 - 値」のトリプルを Python 辞書で作り、 ナレッジグラフの最小例を構築する

1
2
3
4
5
6
7

import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='shift_jis', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]
triples = [(row.Prefecture, 'hasPopulation', int(row.A1101)) for row in d.itertuples()]
print(f'生成トリプル数: {len(triples)}')
for t in triples[:3]:
    print(t)

💬 結果の読み方：47 トリプルが最小 KG。 各トリプルは「主語(県) - 述語(関係) - 目的語(値)」。 これを膨らませると 1 億トリプルの Wikidata になる。

🎯 このコードでやること：rdflib で同じ内容を RDF Turtle 形式に書き出し、 W3C 標準互換の KG ファイルを生成する

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

from rdflib import Graph, Namespace, Literal, URIRef
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='shift_jis', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]

g = Graph()
EX = Namespace('http://example.org/ssdse/')
g.bind('ex', EX)
for row in d.itertuples():
    s = URIRef(EX[row.Code])
    g.add((s, EX.name, Literal(row.Prefecture)))
    g.add((s, EX.hasPopulation, Literal(int(row.A1101))))
ttl = g.serialize(format='turtle')
print(f'トリプル数: {len(g)}')
print('\n'.join(ttl.splitlines()[:12]))   # 先頭の 3 県分だけ表示

💬 結果の読み方：2023 年の 47 県に name と hasPopulation の 2 述語を付けたので、グラフのトリプル数は 47 × 2 = 94。Turtle では同じ主語 ex:R01000（北海道）の 2 つの述語が「;」でつながり、県ごとに「.」で閉じる。整数は Literal(int) で渡したので xsd:integer 型になり、5092000 は引用符なしで書き出されている（文字列で渡すと "5092000" になり、次の SPARQL の大小比較が数値として効かない）。

🎯 このコードでやること：rdflib のグラフに対して SPARQL で「総人口 500 万人以上の県」を検索する

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

from rdflib import Graph, Namespace, Literal, URIRef
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='shift_jis', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]
EX = Namespace('http://example.org/ssdse/')
g = Graph(); g.bind('ex', EX)
for r in d.itertuples():
    s = URIRef(EX[r.Code])
    g.add((s, EX.name, Literal(r.Prefecture)))
    g.add((s, EX.hasPopulation, Literal(int(r.A1101))))

q = '''
PREFIX ex: <http://example.org/ssdse/>
SELECT ?name ?pop WHERE {
  ?p ex:name ?name ; ex:hasPopulation ?pop .
  FILTER (?pop >= 5000000)
} ORDER BY DESC(?pop)
'''
for row in g.query(q):
    print(row.name, int(row.pop))

💬 結果の読み方：9 都道府県がヒット。 SPARQL なら SQL に近い感覚で KG にクエリできる。 同じトリプル構造でも世界中の Wikidata に対し直接問い合わせ可能になるのが強み。

🎯 このコードでやること：TransE 風の埋め込みで「県 + hasPopulation ≈ 値カテゴリ」をベクトル空間で表現する練習。 5 次元の小型例

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

import numpy as np
import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='shift_jis', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]
# 「県」を5次元ベクトル化（人口を log にして1次元目に入れる単純化）
v = {}
for r in d.itertuples():
    base = np.zeros(5)
    base[0] = np.log10(r.A1101)
    base[1] = r.A1101 / 1e7
    v[r.Prefecture] = base
rel_pop = np.array([0.5, 0.1, 0, 0, 0])
print('東京都ベクトル :', np.round(v['東京都'], 3))
print('東京都 + hasPop:', np.round(v['東京都'] + rel_pop, 3))
print('スコア(東京都→14086000): ', round(float(np.linalg.norm(v['東京都'] + rel_pop - np.array([7.5, 1.4, 0, 0, 0]))), 3))

💬 結果の読み方：TransE の発想は「主語ベクトル + 関係ベクトル ≈ 目的語ベクトル」。 東京都 + hasPop = [7.649, 1.509] と目的語側 [7.5, 1.4] の差は (0.149, 0.109) で、距離は √(0.149²+0.109²) ≈ 0.184。 距離が小さいほど成立度が高い。 ここでは関係ベクトルも目的語ベクトルも手で置いた値なので、0.184 自体に意味は無く、 実用 KGE はこの距離を負例より小さくするよう学習する。

📝 演習問題 5 問

手を動かさないと身につかない。 5 問とも SSDSE-B-2026 を必ず触る前提で設計。

1. SSDSE-B-2026 の 47 都道府県を Wikidata の QID にマッピングし、 `県 - 県庁所在地 - 市` のトリプルを 47 個生成せよ
2. rdflib で「東京都 - 総人口 - 14086000」を RDF Turtle 形式で記述せよ
3. 上で作った KG を SPARQL で「総人口 500 万人以上の県」抽出するクエリを書け
4. TransE 風に「エンティティ + 関係 ≈ オブジェクト」を 5 次元で手計算してみよ
5. Wikipedia から「47 都道府県」のページ infobox をスクレイピングし、 (県, 県花, 県木) のトリプルを抽出せよ

📜 歴史と系譜

ナレッジグラフ の歴史 — 主要マイルストーン

🐍 トリプルの集合だけで複数条件の問い合わせをする

SPARQL の「?県 属する地方 近畿 . ?県 出生数 ?b . ?県 総人口 ?n . FILTER(?b/?n > 全国)」を、ライブラリを使わずにトリプルの集合とパターン照合だけで書く。表なら 3 つの列を持つ 1 つの表で済む問い合わせだが、知識グラフでは関係ごとに 1 回ずつ照合して、同じ主語（県）でつなぐ。

🎯 このコードでやること：2023 年度の 47 県について（県, 属する地方, 地方）（県, 総人口, 値）（県, 出生数, 値）の 3 種類のトリプルを作り、近畿と九州・沖縄で「人口千人あたり出生数が全国値より高い県」を探す。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023].sort_values('Code')

def region(code):
    n = int(code[1:3])
    for upper, name in [(7, '北海道・東北'), (14, '関東'), (23, '中部'), (30, '近畿'),
                        (35, '中国'), (39, '四国'), (47, '九州・沖縄')]:
        if n <= upper:
            return name

T = set()                                   # トリプルの集合 = 最小の知識グラフ
for p, c, pop, birth in zip(d['Prefecture'], d['Code'], d['A1101'], d['A4101']):
    T |= {(p, '属する地方', region(c)), (p, '総人口', pop), (p, '出生数', birth)}

def match(s=None, r=None, o=None):          # None を変数（?x）として扱うパターン照合
    return [t for t in T if (s is None or t[0] == s) and (r is None or t[1] == r)
            and (o is None or t[2] == o)]

national = d['A4101'].sum() / d['A1101'].sum()
print(f'トリプル数 {len(T)}  全国の出生率 {national * 1000:.2f}（人口千人あたり）')
# ?県 属する地方 近畿 . ?県 出生数 ?b . ?県 総人口 ?n . FILTER(?b/?n > 全国)
for area in ['近畿', '九州・沖縄']:
    hits = []
    for s, _, _ in match(r='属する地方', o=area):
        b = match(s, '出生数')[0][2]; n = match(s, '総人口')[0][2]
        if b / n > national:
            hits.append((s, round(b / n * 1000, 2)))
    print(f'{area}: {len(match(r="属する地方", o=area))} 県中 {len(hits)} 県が全国より高い', sorted(hits, key=lambda x: -x[1]))

💬 トリプルは 47 県 × 3 関係 ＝ 141 本。全国の出生率は人口千人あたり 5.85 で、近畿 7 府県のうち上回るのは滋賀県 6.57・大阪府 6.31・兵庫県 6.07 の 3 府県、九州・沖縄は 8 県中 7 県（最高は沖縄県 8.55、下回るのは大分県だけ）が上回る。照合は「地方で絞る → 県ごとに出生数と総人口を引く」の 2 段で、関係を 1 本たどるごとに結合が 1 回増える。

🐍 欠けたトリプルを他の事実から推測する（知識グラフの補完）

知識グラフには必ず欠けた事実がある。ある県の（県, 属する地方, ?）が抜けていたとき、その県の他の事実（気温・高齢化率・出生率・人口）から地方を当てられるかを、1 県ずつ隠して確かめる。TransE などの埋め込みによる補完も、「似た事実を持つエンティティは似た関係を持つ」という同じ考え方に立つ。

🎯 このコードでやること：年平均気温（B4101）・高齢化率・出生率・総人口の対数の 4 つを標準化し、k 近傍法で「属する地方」を 1 県ずつ隠して（Leave-One-Out）予測し、正解率を多数派の答えと比べる。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

import numpy as np
import pandas as pd
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import LeaveOneOut, cross_val_predict
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023].sort_values('Code').reset_index(drop=True)

def region(code):
    n = int(code[1:3])
    for upper, name in [(7, '北海道・東北'), (14, '関東'), (23, '中部'), (30, '近畿'),
                        (35, '中国'), (39, '四国'), (47, '九州・沖縄')]:
        if n <= upper:
            return name

y = d['Code'].map(region)                       # 当てたいトリプル (県, 属する地方, ?)
X = pd.DataFrame({'年平均気温': d['B4101'],
                  '高齢化率': d['A1303'] / d['A1101'],
                  '出生率': d['A4101'] / d['A1101'],
                  'log総人口': np.log10(d['A1101'])})
for k in [1, 3]:
    model = make_pipeline(StandardScaler(), KNeighborsClassifier(n_neighbors=k))
    pred = cross_val_predict(model, X, y, cv=LeaveOneOut())
    print(f'k={k}: 1 県ずつ隠して当てた正解 {(pred == y).sum()} / 47 = {(pred == y).mean():.3f}')
print(f'いちばん多い地方（中部）を常に答えた場合: {(y == "中部").sum()} / 47 = {(y == "中部").mean():.3f}')
wrong = d.loc[pred != y, 'Prefecture'] + '→' + pd.Series(pred, index=d.index)[pred != y]
print('k=3 で外した例（先頭 6）:', wrong.head(6).tolist())

💬 最も近い 1 県の地方を答える k = 1 で 47 県中 24 県（51.1%）、k = 3 で 23 県（48.9%）が当たる。いつも最多の「中部」と答えた場合の 9 県（19.1%）の 2.5 倍以上で、気温や年齢構成が地方をある程度表していることは分かる。一方で半分は外れ、東京都は中部、宮城県は関東と答えている。補完で得たトリプルは推測なので、元の事実と区別する印（信頼度や出典）を付けて持つ。

🐍 表を知識グラフに「溶かす」— 1 セル ＝ 1 トリプル

表形式のデータは、行の ID を主語、列名を述語、セルの値を目的語にすれば、そのままトリプルの集まりに書き換えられる（pandas の melt）。SSDSE-B-2026 を書き換えたとき、トリプルが何本になり、文字として保存するとどれだけ大きくなるかを確かめる。

🎯 このコードでやること：2023 年度の 47 行 × 109 指標を（地域コード, 列コード, 値）のトリプルに変換して数え、12 年度分を観測ノードで表したときの本数と、1 行 1 トリプルの文字列（N-Triples 風）にしたときのサイズを CSV と比べる。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
cols = [c for c in df.columns if c not in ('SSDSE-B-2026', 'Code', 'Prefecture')]
d = df[df['SSDSE-B-2026'] == 2023]

# 表の 1 セル = 1 トリプル (県, 列コード, 値) に「溶かす」
t23 = d.melt(id_vars='Code', value_vars=cols, var_name='述語', value_name='値')
print(f'2023 年度の表 {d.shape[0]} 行 × {len(cols)} 指標 → トリプル {len(t23):,} 本（述語 {t23["述語"].nunique()} 種類）')

# 12 年度分は観測ノード 1 つに (対象, 年度) ＋ 指標 109 本
n_obs = len(df)
print(f'12 年度分: 観測 {n_obs} 個 × (2 + {len(cols)}) = {n_obs * (2 + len(cols)):,} 本')

# N-Triples 風の 1 行 1 トリプルの文字列にすると、どれだけ大きくなるか
lines = [f'<ex:{c}> <ex:{p}> "{v}" .' for c, p, v in zip(t23['Code'], t23['述語'], t23['値'])]
nt = len('\n'.join(lines).encode('utf-8'))
csv = len(d.to_csv(index=False).encode('utf-8'))
print(f'同じ 2023 年度分のサイズ: CSV {csv:,} bytes  N-Triples 風 {nt:,} bytes（{nt / csv:.1f} 倍）')
print(t23.head(3).to_string(index=False))

💬 2023 年度だけで 47 × 109 ＝ 5,123 本、述語は指標の数と同じ 109 種類になる。12 年度分を観測ノード（対象・年度の 2 本 ＋ 指標 109 本）で持つと 564 × 111 ＝ 62,604 本。同じ 2023 年度分を 1 行 1 トリプルの文字列にすると 179,625 bytes で、CSV の 30,405 bytes の 5.9 倍になる。主語と述語を毎行くり返すためで、指標がそろった表のようなデータは表のまま持つ方が軽い。知識グラフが得をするのは、県ごとに持っている事実の種類がばらばら（ある県にだけ特産品や姉妹都市の情報がある）なときで、表だと空欄だらけになる。値が 5092000.0 と小数で出るのは、整数と小数の列を 1 列に縦に並べたため pandas が型を float にそろえたからで、述語ごとに型（xsd:integer など）を付けるのがトリプルでの正しい持ち方になる。

📝 補足解説 — 直感・落とし穴・発展をもう一段深く

ここまでで「知識グラフ＝ノードとエッジ」「トリプル」「SPARQL」の骨格は掴めたはずです。 この補足セクションは、 既存の 直感・落とし穴・関連手法 を 置き換えずに、 実運用で効いてくる勘所を追記で深掘りします。 例はすべて SSDSE-B-2026（2023 年）の実測値と地理的事実に基づき、 数値をでっち上げた箇所はありません。

🎨 直感を深める — 「事実」をトリプル（主語-述語-目的語）に分解する

知識グラフの最小単位は トリプル（RDF では head-relation-tail、 日本語では主語-述語-目的語）です。 「文章で書けば 1 文の事実」を機械可読な 3 つ組に落とすと、 事実が 足し算で積み上がるデータ構造 になります。 SSDSE-B-2026 の中国地方 5 県を例にすると、 事実は次のように分解できます（人口は 2023 年実測値）：

• (広島県, hasPopulation, 2,738,000)、 (岡山県, hasPopulation, 1,847,000)、 (山口県, hasPopulation, 1,299,000)、 (島根県, hasPopulation, 650,000)、 (鳥取県, hasPopulation, 537,000)
• (広島県, locatedIn, 中国地方)、 (岡山県, locatedIn, 中国地方) … 5 県すべてが (?, locatedIn, 中国地方)
• (中国地方, partOf, 日本)

ここが表（テーブル）との決定的な違いです。 テーブルなら「県名・人口・地方」の列を先に固定しますが、 トリプルは 述語（関係）そのものがデータ なので、 後から (広島県, 県庁所在地, 広島市) のような まったく別種の関係 を列追加なしで足せます。 そして「中国地方に属する県の人口合計は？」という問いは、 (?, locatedIn, 中国地方) というパターンに一致するノードを集めて hasPopulation を足すだけ — 実測値では 537,000 + 650,000 + 1,847,000 + 2,738,000 + 1,299,000 ＝ 7,071,000 人、 うち広島県が 38.7% を占めます。 これが「関係をパターンとして問い合わせる」という知識グラフの核心的な直感です。

⚠️ 落とし穴を深掘り — 実運用で必ずぶつかる 7 つ

既存の 落とし穴 セクション（オントロジー設計・エンティティ同一性・欠損知識・スケール・更新）を土台に、 実装で追加的に効いてくる観点を補います。

🚀 発展 — RDF/SPARQL からグラフ埋め込み・GNN・LLM+RAG へ

RDF / SPARQL：W3C 標準でトリプルを表現すれば、 Wikidata などの オープンデータ と連結でき、 SQL に近い感覚でグラフを問い合わせられます（グラフ DB は NoSQL、 表形式の RDB とは得意分野が対照的）。

グラフ埋め込み（TransE 等）とリンク予測：TransE は「主語ベクトル ＋ 関係ベクトル ≈ 目的語ベクトル」となるよう 埋め込み を学習し、 距離が近いほど成立度が高いと見なします。 これを使えば「まだ書かれていないトリプル」を確率で補う リンク予測（落とし穴 3 の欠損エッジ対策）が可能になり、 RotatE・ComplEx など後継手法もあります。

GNN（グラフニューラルネットワーク）：ニューラルネットワーク をグラフ構造そのものに適用し、 近傍ノードの情報を畳み込んでノード分類・リンク予測を行います。 グラフとしての位相的性質は 複雑グラフ、 可視化技法は ネットワーク可視化 が隣接ページです（グラフ理論・ネットワーク分析の独立ページは本用語集に未整備のため、 ここではテキストで補足します）。

LLM ＋ RAG での活用：テキストからのトリプル抽出は 自然言語処理 の固有表現抽出・関係抽出が担い、 構築した知識グラフを LLM の外部知識源として検索・注入するのが RAG です。 知識グラフを噛ませると、 LLM 単体では起きやすい幻覚（ハルシネーション）を「出典付きの事実」で抑えられる点が実務的な利点です。 なお RDF・SPARQL・オントロジーといったセマンティック Web の専用ページは本用語集に未整備のため、 詳細は上記の各隣接ページから辿ってください。

⚠️ よくある落とし穴

⚠️ 閉世界と開世界で答えが変わる — 10 県のトリプルが欠けた知識グラフ

知識グラフへの取り込み漏れは珍しくない。2023 年度の（県, 総人口, 値）47 本のうち、乱数（seed 0）で選んだ 10 県が欠けたグラフに 2 つの問いを投げ、「書かれていないことは偽」とみなす閉世界仮定と、「書かれていないことは不明」とみなす開世界仮定で答えを比べる。

🎯 このコードでやること：総人口のトリプルから 10 県分を抜いた知識グラフで、「500 万人以上の県」と「100 万人未満の県」を閉世界・開世界の 2 通りで答え、正解と比べる。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

import random
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]
prefs = d['Prefecture'].tolist()
full = {p: v for p, v in zip(d['Prefecture'], d['A1101'])}   # 完全な (県, 総人口, 値)

random.seed(0)
lost = set(random.sample(prefs, 10))                         # 取り込み漏れで 10 県のトリプルが欠けた KG
kg = {p: v for p, v in full.items() if p not in lost}
print('欠けた県:', sorted(lost, key=prefs.index))

big_true = {p for p, v in full.items() if v >= 5_000_000}
big_kg = {p for p, v in kg.items() if v >= 5_000_000}
print(f'Q1「500 万人以上の県」 正解 {len(big_true)}  KG の答え {len(big_kg)}  取りこぼし {sorted(big_true - big_kg)}')

small_true = {p for p, v in full.items() if v < 1_000_000}
small_cwa = {p for p in prefs if not (p in kg and kg[p] >= 1_000_000)}  # 閉世界: 書かれていない＝満たさない
small_owa_sure = {p for p, v in kg.items() if v < 1_000_000}           # 開世界: 確実に言えるものだけ
unknown = sorted(lost, key=prefs.index)
print(f'Q2「100 万人未満の県」 正解 {len(small_true)}')
print(f'  閉世界の答え {len(small_cwa)} 県（うち誤り {len(small_cwa - small_true)} 県: {sorted(small_cwa - small_true, key=prefs.index)}）')
print(f'  開世界の答え 確実 {len(small_owa_sure)} 県 ＋ 不明 {len(unknown)} 県')

💬 欠けたのは岩手県・石川県・長野県・愛知県・滋賀県・京都府・大阪府・鳥取県・島根県・岡山県。「500 万人以上」は正解 9 都府県のうち愛知県と大阪府を取りこぼして 7 と答える。「100 万人未満」は否定を含む問いなので、閉世界では総人口が書かれていない 10 県がすべて「100 万人以上ではない」側に入り、18 県と答えてしまう。うち 8 県は誤りで、大阪府（876 万人）や愛知県（748 万人）まで人口の少ない県に数えられる。開世界なら「確実に 100 万人未満」は 8 県、残り 10 県は不明と答えられる。

否定（〜ではない・〜未満）を含む問いは、欠けたトリプルの影響を強く受ける。知識グラフに問い合わせるときは、その関係が全件そろっているか（ここでは 47 件あるべきところが 37 件）を先に数え、そろっていなければ開世界として「不明」を答えに残す。

⚠️ 名前の正規化で同じ県が別物・別の県が同じ物になる

複数のデータから知識グラフを作ると、「東京都」「東京」のような表記の違いを同じエンティティにまとめる必要がある（エンティティの同一性）。よく使われる「末尾の都道府県を削る」処理を、SSDSE-B-2026 の 47 の正式名称に当てて結果を確かめる。

🎯 このコードでやること：47 都道府県名に 3 通りの短縮処理をかけ、重複と意図しない変換を数える。あわせて、部分一致で名前を探したときに別の県に当たる例を調べる。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

import re
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
prefs = df[df['SSDSE-B-2026'] == 2023]['Prefecture'].tolist()

a = {p: p.rstrip('都道府県') for p in prefs}             # 末尾の「都道府県」に含まれる文字を全部削る
b = {p: re.sub('[都道府県]$', '', p) for p in prefs}     # 末尾の 1 文字だけ削る
c = {p: p if p == '北海道' else p[:-1] for p in prefs}   # 北海道だけ例外にして 1 文字削る

for name, m in [('rstrip', a), ('末尾 1 文字', b), ('北海道を例外', c)]:
    odd = {k: v for k, v in m.items() if len(v) != len(k) - 1 or k == '北海道'}
    dup = len(m) - len(set(m.values()))
    print(f'{name:8s}: 短縮名の重複 {dup}  注意が要る変換 {odd}')

# 部分一致で「京都」を探すと、どの正式名称に当たるか
print('「京都」を含む:', [p for p in prefs if '京都' in p])
print('「島」を含む:', [p for p in prefs if '島' in p])

💬 Python の rstrip("都道府県") は「末尾の文字列」ではなく「末尾に並ぶ 4 文字のどれか」を繰り返し削るので、京都府は「府」「都」と 2 文字削られて「京」になり、北海道も「道」が削られて「北海」になる。末尾 1 文字だけを削る正規表現でも北海道は「北海」になり、北海道を例外にして初めて 47 件すべてが意図どおりになる。3 通りとも短縮名の重複は 0 だが、部分一致で「京都」を探すと東京都と京都府の 2 件が当たり、「島」を含む県は福島・島根・広島・徳島・鹿児島の 5 県ある。

エンティティをまとめる処理は、全件を変換して重複と例外を数え、部分一致ではなく完全一致の対応表（正式名称 ↔ 別名 ↔ 地域コード R01000 などの ID）で結ぶ。知識グラフでは ID（URI）を主語にして、名前は「名前」という述語の値として持つのが基本である。

🧠 理解度チェック — このページの実測値で

🌐 関連手法・派生

• RDF / OWL：W3C 標準のセマンティック Web 形式。
• Wikidata / DBpedia：Wikipedia から抽出した公開知識グラフ。
• 知識グラフ埋め込み：TransE, RotatE 等でエンティティをベクトル化。
• GNN（グラフニューラルネット）：グラフ上で深層学習。
• RAG (Retrieval-Augmented Generation)：LLM と知識グラフを組合せた質問応答。

🌐 時間とともに変わる事実を知識グラフに入れる — 12 年度分の総人口

統計値は年度ごとに変わるので、（東京都, 総人口, 14,086,000）というトリプルだけでは「いつの値か」が失われる。SSDSE-B-2026 の 12 年度分（2012〜2023 年度）の総人口を入れる 2 つの表し方を、トリプル数と問い合わせやすさで比べる。RDF では観測ノードを立てる方法（reification、統計データなら W3C の Data Cube 語彙）や、年度ごとに名前付きグラフへ分ける方法、トリプル自体に注釈を付ける RDF-star がある。

🎯 このコードでやること：564 行（47 県 × 12 年度）の総人口を、(a) 年を述語に埋め込む形と (b) 観測ノードを立てる形でトリプルにし、数と述語の種類を比べる。続けて (b) の形で「12 年度のあいだ毎年減り続けた県」を数える。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df.sort_values(['Code', 'SSDSE-B-2026'])          # CSV は新しい年度が先なので並べ直す
n_pref, n_year = df['Code'].nunique(), df['SSDSE-B-2026'].nunique()

# (a) 述語に年を埋め込む: (県, 総人口2023, 値) … 述語が 12 種類に増える
a = [(p, f'総人口{y}', v) for p, y, v in zip(df['Prefecture'], df['SSDSE-B-2026'], df['A1101'])]
# (b) 観測ノードを立てる（reification）: obs は (県, 年, 値) を 1 つずつ持つ
b = []
for i, (p, y, v) in enumerate(zip(df['Prefecture'], df['SSDSE-B-2026'], df['A1101'])):
    b += [(f'obs{i}', '対象', p), (f'obs{i}', '年度', y), (f'obs{i}', '総人口', v)]
print(f'{n_pref} 県 × {n_year} 年度')
print(f'(a) 年を述語に: トリプル {len(a)}  述語の種類 {len({r for _, r, _ in a})}')
print(f'(b) 観測ノード: トリプル {len(b)}  述語の種類 {len({r for _, r, _ in b})}  追加ノード {len(df)}')

# (b) の形なら「年度」を変数にしたまま問い合わせられる: 12 年度のあいだ毎年減り続けた県
obs = pd.DataFrame([dict(県=p, 年度=y, 総人口=v) for p, y, v in
                    zip(df['Prefecture'], df['SSDSE-B-2026'], df['A1101'])])
diff = obs.groupby('県', sort=False)['総人口'].apply(lambda s: (s.diff().dropna() < 0).all())
print(f'11 回の前年度比がすべて減少: {diff.sum()} 県 / 47 県')
print('一度でも増えた県:', diff[~diff].index.tolist())

💬 (a) は 564 トリプルだが述語が「総人口2012」〜「総人口2023」の 12 種類に増え、年度をまたぐ問いは述語名を 12 個並べないと書けない。(b) は観測ノード 564 個にそれぞれ対象・年度・総人口の 3 本を付けるので 1,692 トリプルと 3 倍になるが、述語は 3 種類のままで「年度」を変数にできる。(b) の形で問い合わせると、11 回の前年度比がすべて減少した県は 37 県、一度でも増えた県は宮城県・埼玉県・千葉県・東京都・神奈川県・愛知県・滋賀県・大阪府・福岡県・沖縄県の 10 都府県だった。

🌐 グラフのつながりから「似ている県」を見つける — 共有する属性ノードと 2 ホップ

知識グラフでは、2 つのエンティティが同じノードにつながっていること自体が情報になる。47 県を「属する地方」「人口規模（4 分位）」「高齢化率（4 分位）」の 15 個の属性ノードにつなぎ、共有する属性の数で似ている県を探す。グラフニューラルネットワーク（GNN）やリンク予測は、この「近所を見る」操作を重み付きで何段も重ねたものにあたる。

🎯 このコードでやること：networkx で 47 県と 15 属性ノード（7 地方・人口 4 区分・高齢化 4 区分）のグラフを作り、東京都と秋田県について、2 ホップで届く県・属性を 3 つとも共有する県・2 つ共有する県を数え、東京都から沖縄県への最短経路を求める。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

import networkx as nx
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023].sort_values('Code').reset_index(drop=True)

def region(code):
    n = int(code[1:3])
    for upper, name in [(7, '北海道・東北'), (14, '関東'), (23, '中部'), (30, '近畿'),
                        (35, '中国'), (39, '四国'), (47, '九州・沖縄')]:
        if n <= upper:
            return name

# 県 → 属性ノード の 3 種類の関係（属性は 4 分位で区切る）
d['人口規模'] = '人口' + pd.qcut(d['A1101'], 4, labels=['Q1', 'Q2', 'Q3', 'Q4']).astype(str)
d['高齢化'] = '高齢化' + pd.qcut(d['A1303'] / d['A1101'], 4, labels=['Q1', 'Q2', 'Q3', 'Q4']).astype(str)
G = nx.Graph()
for _, r in d.iterrows():
    for rel, obj in [('属する地方', region(r['Code'])), ('人口規模', r['人口規模']), ('高齢化', r['高齢化'])]:
        G.add_edge(r['Prefecture'], obj, rel=rel)
prefs = d['Prefecture'].tolist()
print(f'ノード {G.number_of_nodes()}（県 47 ＋ 属性 {G.number_of_nodes() - 47}）  辺 {G.number_of_edges()}')

for src in ['東京都', '秋田県']:
    two_hop = {q for a in G[src] for q in G[a] if q != src}
    print(f'{src}: 属性 {sorted(G[src])}  2 ホップで届く県 {len(two_hop)}')
    common = sorted(((len(set(G[src]) & set(G[q])), q) for q in prefs if q != src), reverse=True)
    print('   属性を 3 つとも共有:', [q for n, q in common if n == 3], ' 2 つ共有:', [q for n, q in common if n == 2][:6])
print('東京都 → 沖縄県 の最短経路:', nx.shortest_path(G, '東京都', '沖縄県'))

💬 ノードは県 47 ＋ 属性 15 ＝ 62、辺は 47 × 3 ＝ 141 本。東京都は関東・人口 Q4・高齢化 Q1 の 3 つにつながり、属性を 1 つ以上共有する 2 ホップ先の県は 17。3 つとも共有するのは神奈川県・埼玉県・千葉県で、首都圏がまとまって見つかる。秋田県は 2 ホップで 20 県に届き、3 つとも共有するのは山形県だけ、2 つ共有に青森県・岩手県や、地方は違うが人口が少なく高齢化が進んだ高知県・徳島県・島根県が並ぶ。東京都と沖縄県は地方も人口規模も違うが、どちらも高齢化 Q1 なので経路の長さは 2 になる。区切り方（4 分位）を変えると経路も似ている県も変わるので、属性ノードの作り方自体が分析の前提になる。

🔗 関連用語 — 前提・並列・発展

前提の構造化データ作成とデータのメタ化は、文章や表から「主語・述語・目的語」を取り出し、列や値に意味（述語の定義）を付ける作業で、知識グラフの材料作りにあたる。並列のデータベース（関係データベース）は同じ事実を表で持つ方式で、このページの 🐍 の問い合わせは表の結合でも書ける。違いは、関係の種類を後から足してもスキーマを作り直さずに済む点にある。完全性は、取り込み漏れのトリプルが答えを変える（⚠️ の閉世界・開世界の節）ことと直結する。発展の埋め込みはエンティティと関係をベクトルにして欠けたトリプルを推測する方法（TransE など）、RAG はLLM が答える前に知識グラフや文書を検索して根拠を渡す使い方である。TF-IDF は文書からエンティティ名や関係語を拾う前処理で使われる。

🔗 関連用語辞典 10 語

「ナレッジグラフ」周辺で押さえておきたい 10 用語を、 関係性付きで解説する。

📚 関連グループ教材

知識グラフを作る作業の大半は、元のデータを整えることにある。データクレンジングの教材で扱う表記ゆれの統一（「東京都」「東京」「Tokyo」）と重複の除去は、そのままエンティティの同一性（⚠️ の節）の問題になり、欠損の扱いは閉世界・開世界の違いになる。

• 📚 データ処理 — 表記ゆれの統一・重複除去・欠損の扱い

📚 参考文献

• 独立行政法人統計センター『SSDSE-B-2026』（教育用標準データセット）, 2026.
• Hadley Wickham, Tidy Data, Journal of Statistical Software, 2014.
• 総務省統計局『国勢調査』『人口動態統計』, 2023.
• W3C, RDF 1.1 Concepts and Abstract Syntax, 2014.
• Hogan et al., Knowledge Graphs, ACM Computing Surveys, 2021.
• 本リポジトリ「相関係数」用語ページ correlation.html（品質基準ページ）

🗺 概念マップ

知識グラフを中心に、 RDF / OWL (表現規格)、 SPARQL クエリ (アクセス)、 知識グラフ埋め込み・GNN・RAG (応用) を並べたセマンティック技術マップ。

ナレッジグラフは「エンティティ (実体) を頂点・関係を辺」とするグラフ構造で、 セマンティック Web (RDF / SPARQL)、 オントロジー、 グラフ DB、 RAG、 GNN とそれぞれ別軸で繋がる。 RDF はデータ表現形式、 オントロジーはスキーマ定義、 GNN はノード/辺埋め込み計算、 RAG は LLM への外部知識注入と、 役割の違いを理解して組み合わせる。

🔗 隣接手法への橋渡し

知識グラフは単なるグラフ DB ではなく、 オントロジー設計 (前段) と検索拡張・推論エンジン (後段) を組み合わせて知識ベース AI の基盤を形成する。

• 上流: 前段のスキーマ・オントロジー設計 (データベース基礎、 NLP)
• 並列: 並列のグラフ表現手法 (RDF / プロパティグラフ) (SQL、 NoSQL) と比較・併用
• 下流: 下流の推論・RAG・GNN への入力 (RAG応用、 LLM質問応答)

上流の OCR・NER (固有表現抽出) と関係抽出で生テキストから (主語, 述語, 目的語) 三つ組を量産し、 並列の RDF/Property Graph 表現を選び、 下流の SPARQL クエリ・推論エンジン (OWL)・グラフ埋め込み (TransE 等) で知識をアプリケーションに供給する流れで真価を発揮する。

🌳 手法選択フロー

知識グラフ を実際の課題に当てはめるとき、 用語固有の判断軸に沿って次の 3 段階で適切な選択を行う。

1. 関係性・推論が分析の中心か? Yes → 知識グラフ (RDF/Property Graph)、 No → リレーショナル DB で十分
2. 標準化・相互運用が必要か? Yes → RDF + OWL + SPARQL (Wikidata 互換)、 No → 次へ
3. 機械学習で活用したいか? Yes → 知識グラフ埋め込み (TransE/RotatE) + GNN、 No → グラフクエリのみ (Cypher/SPARQL)

このフローは知識グラフ構築の標準方針。 規模が大きい場合は Neo4j (Property Graph) + Cypher、 標準準拠が必要なら GraphDB / Stardog (RDF) + SPARQL を選ぶ実装パターンが定着している。