[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,121 +1,162 @@
|
||||
---
|
||||
id: wiki-2026-0508-knowledge-graph
|
||||
title: Knowledge Graph
|
||||
category: Computer_Science_and_Theory
|
||||
status: needs_review
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-KGR-001]
|
||||
aliases: [KG, Semantic Graph, Entity Graph]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [auto-reinforced, knowledge-graph, ontology, semantic-web, entity-relationship, graph-database]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [knowledge-graph, graph, semantic, retrieval]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-04
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python
|
||||
framework: networkx, neo4j, rdflib
|
||||
---
|
||||
|
||||
# [[Knowledge Graph|Knowledge Graph]]
|
||||
# Knowledge Graph
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터를 넘어선 지식의 망: 분산된 정보들 사이의 관계를 인간의 뇌처럼 연결하여, 단순한 키워드 검색이 아닌 복합적인 인과관계와 맥락을 컴퓨터가 이해하고 추론할 수 있게 하는 시맨틱 데이터 구조."
|
||||
## 매 한 줄
|
||||
> **"매 entity-relationship triples 의 graph"**. Knowledge Graph 는 (head, relation, tail) triple 의 collection 으로 구조화된 knowledge 를 저장하는 graph database paradigm. 2012 Google 의 도입 이후 search/RAG/agents 의 backbone 으로 자리잡았으며, 2026 LLM era 에서는 GraphRAG 와 entity-linking 으로 hallucination mitigation 에 사용.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
지식 그래프(Knowledge Graph)는 엔티티(인물, 사물, 장소, 개념 등)와 그들 간의 관계를 그래프 구조로 표현한 거대한 지식 기반 시스템입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **핵심 구성 요소**:
|
||||
* **노드 (Node / Entity)**: 실제 세계의 객체나 개념을 나타냅니다.
|
||||
* **엣지 (Edge / Relationship)**: 노드 간의 관계를 나타냅니다 (예: 'A는 B의 제작자이다').
|
||||
* **속성 (Property)**: 노드나 엣지에 대한 추가적인 세부 정보.
|
||||
### 매 Triple 구조
|
||||
- (subject, predicate, object) — RDF 표준
|
||||
- entity ID (e.g. wikidata Q-id) → unique reference
|
||||
- relation typed (employs, locatedIn, instanceOf, …)
|
||||
- property graph: edges 도 attributes 보유
|
||||
|
||||
2. **왜 지식 그래프인가?**:
|
||||
* **시맨틱 상호운용성**: 서로 다른 출처의 데이터를 의미적으로 통합할 수 있습니다.
|
||||
* **지능적 추론**: "A를 만든 사람이 살고 있는 도시의 인구는?"과 같은 다단계 질문에 대해 관계를 추적하여 답변할 수 있습니다.
|
||||
* **[[GraphRAG|GraphRAG]]**: 텍스트 데이터를 그래프로 변환하여 LLM의 검색 정확도와 문맥 파악 능력을 비약적으로 향상시킵니다.
|
||||
### 매 Schema vs Schema-less
|
||||
- ontology-driven: OWL, schema.org → strict typing
|
||||
- LPG (labeled property graph): Neo4j flexible
|
||||
- emergent KG: LLM 으로 unstructured text 에서 자동 추출
|
||||
|
||||
3. **지식의 고도화 도구**:
|
||||
* **[[Ontology|Ontology]]**: 지식 그래프의 설계도 역할을 하며, 어떤 엔티티와 관계가 존재할 수 있는지 규정합니다.
|
||||
* **Graph Database**: Neo4j, FalkorDB 등 그래프 구조를 저장하고 쿼리하는 전용 DB입니다.
|
||||
### 매 응용
|
||||
1. Search ranking (Google KG panels).
|
||||
2. RAG with GraphRAG (Microsoft 2024).
|
||||
3. Agent tool: entity disambiguation.
|
||||
4. Recommendation (LinkedIn Economic Graph).
|
||||
5. Drug discovery (Hetionet).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
* **구축 및 유지보수의 난해함**: 비정형 데이터에서 정확한 엔티티와 관계를 추출하는 과정이 복잡하며 전문적인 지식이 필요합니다.
|
||||
* **확장성 문제 (Scalability)**: 그래프가 거대해질수록 관계를 탐색하는 쿼리 비용이 급격히 증가할 수 있습니다.
|
||||
* **데이터 정제**: 잘못된 관계 정보가 유입될 경우 전체 지식 체계의 신뢰도가 훼손되므로 엄격한 거버넌스가 필요합니다.
|
||||
## 💻 패턴
|
||||
|
||||
## 💻 실전 구현 코드 (Boilerplate)
|
||||
`Neo4j` 스타일의 Cypher 쿼리를 사용하여 지식 그래프를 생성하고 조회하는 기초 예시입니다.
|
||||
### NetworkX 로 KG build
|
||||
```python
|
||||
import networkx as nx
|
||||
|
||||
G = nx.MultiDiGraph()
|
||||
G.add_edge("Anthropic", "Claude", relation="created")
|
||||
G.add_edge("Claude", "LLM", relation="instanceOf")
|
||||
G.add_edge("Anthropic", "San Francisco", relation="locatedIn")
|
||||
|
||||
# query: what did Anthropic create?
|
||||
for _, target, data in G.out_edges("Anthropic", data=True):
|
||||
if data["relation"] == "created":
|
||||
print(target) # Claude
|
||||
```
|
||||
|
||||
### LLM 으로 triple 추출
|
||||
```python
|
||||
from anthropic import Anthropic
|
||||
|
||||
client = Anthropic()
|
||||
text = "Claude Opus 4.7 was released by Anthropic in 2026."
|
||||
|
||||
resp = client.messages.create(
|
||||
model="claude-opus-4-7",
|
||||
max_tokens=512,
|
||||
messages=[{
|
||||
"role": "user",
|
||||
"content": f"Extract (subject, predicate, object) triples as JSON from: {text}"
|
||||
}]
|
||||
)
|
||||
# → [["Claude Opus 4.7","releasedBy","Anthropic"], ...]
|
||||
```
|
||||
|
||||
### Neo4j Cypher query
|
||||
```cypher
|
||||
// 1. 엔티티 및 관계 생성 (P-Reinforce 관련 예시)
|
||||
CREATE (p:Project {name: "Antigravity"})
|
||||
CREATE (e:Engine {name: "ConnectAI"})
|
||||
CREATE (s:Standard {name: "P-Reinforce v3.0"})
|
||||
|
||||
CREATE (p)-[:USES]->(e)
|
||||
CREATE (e)-[:FOLLOWS]->(s)
|
||||
|
||||
// 2. 다단계 추론 쿼리
|
||||
// "Antigravity 프로젝트가 사용하는 엔진이 따르는 표준은 무엇인가?"
|
||||
MATCH (p:Project {name: "Antigravity"})-[:USES]->(e)-[:FOLLOWS]->(s)
|
||||
RETURN s.name AS StandardName
|
||||
// find all 2-hop neighbors of Anthropic
|
||||
MATCH (a:Org {name:"Anthropic"})-[r1]->(x)-[r2]->(y)
|
||||
RETURN a, r1, x, r2, y
|
||||
LIMIT 100;
|
||||
```
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
* **기반 개념**: [[Computer Science and Theory|Computer Science]], [[Ontology|Ontology]]
|
||||
* **활용 기술**: [[GraphRAG|GraphRAG]], [[Semantic Search|Semantic Search]]
|
||||
* **보관 기술**: [[Graph Database|Graph Database]], [[Vector Database|Vector Database (Hybrid)]]
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-04*
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
### RDF + SPARQL
|
||||
```python
|
||||
from rdflib import Graph, URIRef, Literal
|
||||
g = Graph()
|
||||
g.parse("dbpedia.ttl", format="turtle")
|
||||
q = """
|
||||
SELECT ?company WHERE {
|
||||
?company a <http://dbpedia.org/ontology/Company> ;
|
||||
<http://dbpedia.org/property/foundedYear> "2021"^^xsd:gYear .
|
||||
}
|
||||
"""
|
||||
for row in g.query(q):
|
||||
print(row.company)
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### GraphRAG retrieval
|
||||
```python
|
||||
def graph_rag_query(q: str, kg, llm):
|
||||
entities = llm.extract_entities(q)
|
||||
subgraph = kg.k_hop_subgraph(entities, k=2)
|
||||
context = subgraph.to_text()
|
||||
return llm.answer(q, context=context)
|
||||
```
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Embedding-based KG completion (TransE)
|
||||
```python
|
||||
import torch
|
||||
import torch.nn as nn
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
class TransE(nn.Module):
|
||||
def __init__(self, n_ent, n_rel, dim=128):
|
||||
super().__init__()
|
||||
self.ent = nn.Embedding(n_ent, dim)
|
||||
self.rel = nn.Embedding(n_rel, dim)
|
||||
def score(self, h, r, t):
|
||||
return -torch.norm(self.ent(h) + self.rel(r) - self.ent(t), p=2, dim=-1)
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 작은 domain, fast prototype | NetworkX in-memory |
|
||||
| production, ACID | Neo4j |
|
||||
| W3C standards | RDF + SPARQL |
|
||||
| billion-scale, distributed | JanusGraph, TigerGraph |
|
||||
| LLM RAG | GraphRAG (Microsoft) |
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
**기본값**: Neo4j + LLM extraction pipeline.
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
## 🔗 Graph
|
||||
- 부모: [[Knowledge-Graph-Foundations]] · [[Graph-Theory]]
|
||||
- 변형: [[GraphRAG]] · [[Entity-Linking]] · [[Ontology]]
|
||||
- 응용: [[RAG-Architecture]] · [[Semantic-Search]] · [[Recommendation-Systems]]
|
||||
- Adjacent: [[Vector-Database]] · [[Embeddings]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: factual grounding, multi-hop reasoning, entity disambiguation 필요 시.
|
||||
**언제 X**: pure semantic similarity 만 필요할 때 — vector DB 가 더 simple.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Schema explosion**: 매 entity 마다 new relation 정의 → unmanageable.
|
||||
- **Stale KG**: 자동 update pipeline 없이 manual curation → 6 months 지나면 obsolete.
|
||||
- **No entity resolution**: "Anthropic" vs "anthropic Inc." vs "ANTHROPIC" → duplicate nodes.
|
||||
- **Triple-only thinking**: property graph 의 edge attribute 무시.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Bollacker 2008 Freebase, Hogan 2021 KG survey ACM CSUR).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — KG fundamentals, triples, GraphRAG, Neo4j patterns |
|
||||
|
||||
Reference in New Issue
Block a user