知識グラフとは？AIの知識表現と推論を支える技術

NetworkXで知識グラフを構築する：トリプル表現と可視化の実装

知識グラフは「主語-述語-目的語」のトリプル構造で知識を表現します。PythonのNetworkXライブラリを使って、トリプルデータからグラフを構築し、可視化する方法を見てみましょう。

import networkx as nx
import matplotlib.pyplot as plt
import matplotlib

matplotlib.rcParams["font.family"] = "Noto Sans JP"

# トリプル（主語, 述語, 目的語）のリスト
triples = [
    ("Python",    "は",       "プログラミング言語"),
    ("Python",    "開発者",   "Guido van Rossum"),
    ("Python",    "用途",     "機械学習"),
    ("Python",    "用途",     "Web開発"),
    ("機械学習",   "分野",     "人工知能"),
    ("機械学習",   "手法",     "ニューラルネットワーク"),
    ("機械学習",   "ライブラリ", "scikit-learn"),
    ("scikit-learn", "言語",  "Python"),
    ("ニューラルネットワーク", "発展形", "深層学習"),
    ("深層学習",   "フレームワーク", "PyTorch"),
    ("PyTorch",   "開発元",   "Meta"),
    ("PyTorch",   "言語",     "Python"),
]

# 有向グラフの構築
G = nx.DiGraph()

for subject, predicate, obj in triples:
    G.add_edge(subject, obj, relation=predicate)

print(f"ノード数: {G.number_of_nodes()}")
print(f"エッジ数: {G.number_of_edges()}")

# グラフの可視化
plt.figure(figsize=(14, 10))
pos = nx.spring_layout(G, k=2.5, seed=42)

# ノードの描画
nx.draw_networkx_nodes(G, pos, node_color="lightblue",
                       node_size=2000, alpha=0.9)
nx.draw_networkx_labels(G, pos, font_size=9, font_family="Noto Sans JP")

# エッジの描画
nx.draw_networkx_edges(G, pos, edge_color="gray",
                       arrows=True, arrowsize=20, alpha=0.6)

# エッジラベル（述語）の描画
edge_labels = nx.get_edge_attributes(G, "relation")
nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels,
                             font_size=7, font_color="red",
                             font_family="Noto Sans JP")

plt.title("知識グラフの例：PythonとAI分野の関係", fontsize=14)
plt.axis("off")
plt.tight_layout()
plt.savefig("knowledge_graph.png", dpi=150, bbox_inches="tight")
plt.show()

このコードではnx.DiGraph()で有向グラフを作成し、各エッジにrelation属性として述語を付与しています。可視化ではspring_layoutが力学モデルに基づいてノードを自動配置し、関連の強いノード同士が近くに配置されます。実際の知識グラフではSPARQLによるクエリ検索や、ノード間のパス探索（nx.shortest_path）による関係推論が活用されます。大規模なグラフではNeo4jなどのグラフデータベースとの連携が一般的です。