Knowledge Graph

Was ist ein Knowledge Graph (Wissensgraph)?

Ein Knowledge Graph ist ein Netz aus Daten, in dem jede Entität ein Knoten ist und jede Beziehung zwischen zwei Entitäten eine benannte Kante. Eine verbreitete Definition stammt aus einer Übersichtsarbeit von Aidan Hogan und Kollegen (ACM Computing Surveys, 2021). Sie beschreibt einen Knowledge Graph als Graph aus Daten, der Wissen über die reale Welt sammeln und weitergeben soll. Eine Entität ist dabei alles, was sich eindeutig benennen lässt, etwa eine Person, eine Stadt, ein Unternehmen oder ein Produkt. Der deutsche Begriff lautet Wissensgraph, im Plural sind Knowledge Graphs und Knowledge Graphen gebräuchlich.

Der Begriff hat zwei Bedeutungen. Als Gattungsbegriff steht er für jede Wissensdatenbank dieser Bauart, wie sie Forschungseinrichtungen, Unternehmen oder offene Projekte wie Wikidata betreiben. Als Eigenname bezeichnet er die Wissensdatenbank, die Google im Mai 2012 unter dem Namen Knowledge Graph eingeführt hat. Google fasste die Idee damals in der Formel „things, not strings“ zusammen. Die Suche sollte Dinge der realen Welt erkennen und nicht nur Zeichenketten abgleichen.

Entitäten, Beziehungen und Tripel

Die kleinste Einheit eines Knowledge Graph ist ein Tripel aus Subjekt, Prädikat und Objekt. Das Subjekt ist eine Entität, das Prädikat die Beziehung und das Objekt eine zweite Entität oder ein Wert wie eine Jahreszahl. Das Datenmodell RDF (Resource Description Framework) des W3C beschreibt Wissen genau so, als Menge von Tripeln, die zusammen einen RDF-Graphen bilden. In Wikidata lautet ein solches Tripel zum Beispiel Saarbrücken (Q1724), Staat (P17), Deutschland (Q183). Die Kennungen sorgen dafür, dass jede Entität nur einmal vorkommt, auch wenn ihr Name mehrdeutig ist.

Welche Arten von Entitäten und Beziehungen ein Graph kennt, legt seine Ontologie fest. Sie definiert Klassen wie Person oder Organisation und erlaubte Beziehungen wie „geführt von“. Mit ihr kann ein System auch Wissen ableiten, das nicht ausdrücklich gespeichert ist. Steht im Graphen, dass die Beispielbank AG eine Bank ist, und legt die Ontologie fest, dass jede Bank eine Organisation ist, folgt daraus, dass auch die Beispielbank AG eine Organisation ist. Die Figur zeigt eine Brand als Entität am Beispiel von KKP.agency.

Beispiele für Knowledge Graphs

Die bekanntesten Beispiele für Knowledge Graphs sind der Knowledge Graph von Google und Wikidata, daneben betreiben viele Unternehmen eigene Wissensgraphen. Sie unterscheiden sich vor allem darin, wer die Daten pflegt und wer sie nutzen darf.

• Google Knowledge Graph. Googles Wissensdatenbank liefert Antworten auf Sachfragen und die Inhalte der Knowledge Panels in der Suche. Die Daten selbst sind nicht frei verfügbar, einzelne Entitäten lassen sich aber über eine Programmierschnittstelle abfragen.
• Wikidata. Wikidata ist eine freie, mehrsprachige Wissensdatenbank der Wikimedia-Bewegung, die nach dem Wiki-Prinzip von Freiwilligen und Bots gepflegt wird. Ihre Daten sind über die Creative-Commons-Erklärung CC0 gemeinfrei und dürfen auch kommerziell weiterverwendet werden. Wikidata liefert unter anderem Daten für die Infoboxen der Wikipedia und verzeichnet zu vielen Aussagen die Quelle.
• Knowledge Graphs für Unternehmen. Auf Basis von Knowledge Graphs bauen Unternehmen Wissensplattformen, die Produktinformationen, technische Dokumentation und internes Produktwissen aus getrennten Systemen verknüpfen. Eine Servicekraft oder ein Chatbot findet dann zu einem Produkt alle Handbücher, Konditionen und Zuständigkeiten an einer Stelle.

Ein Finanzbeispiel zeigt den Nutzen. Bei einer fiktiven Beispielbank AG (example.com) verbindet der Graph das Produkt Tagesgeldkonto mit dem gültigen Zinssatz, dem Datum der letzten Zinsänderung, dem Produktinformationsblatt und den passenden Antworten im Hilfebereich. Ändert sich der Zins, pflegt das Team einen einzigen Wert im Graphen, und Website, Chatbot und Beratungssystem greifen auf denselben Stand zu.

Wie wird ein Knowledge Graph erstellt?

Wer einen Knowledge Graph für das eigene Unternehmen entwickeln will, kann den Wissensgraphen in vier Schritten aufbauen.

1. Fragen festlegen. Zuerst wird festgelegt, welche Fragen der Graph beantworten soll, etwa welche Dokumente zu welchem Produkt gehören.
2. Ontologie entwerfen. Die Ontologie bestimmt Klassen und erlaubte Beziehungen. Bestehende Vokabulare wie Schema.org lassen sich wiederverwenden.
3. Datenmodell wählen. RDF-Datenbanken folgen den W3C-Standards und werden mit der Abfragesprache SPARQL abgefragt, was den Austausch mit offenen Daten wie Wikidata erleichtert. Property-Graph-Datenbanken erlauben zusätzlich Eigenschaften an den Kanten. Für sie gibt es seit April 2024 mit GQL (ISO/IEC 39075) eine genormte Abfragesprache.
4. Daten überführen. Datensätze aus Tabellen, Dokumenten und Fachsystemen werden zu Knoten und Kanten, im RDF-Modell zu Tripeln. Gleiche Entitäten aus verschiedenen Quellen bekommen eine gemeinsame Kennung, damit sie nicht doppelt vorkommen.

Wie funktioniert der Google Knowledge Graph?

Der Google Knowledge Graph ist Googles Datenbank mit Milliarden Fakten über Personen, Orte und Dinge, aus der die Suche Sachfragen direkt beantwortet und Knowledge Panels füllt. Als Beispiel nennt Google Fragen wie „Wie hoch ist der Eiffelturm?“. Die Fakten stammen laut Google aus öffentlichen Quellen, aus lizenzierten Daten etwa zu Sportergebnissen, Aktienkursen und Wetter sowie von Personen und Organisationen, die Änderungen an ihrem beanspruchten Knowledge Panel vorschlagen. Zum Start nannte Google Freebase, Wikipedia und das CIA World Factbook als öffentliche Quellen.

Die Grundlage kaufte Google im Juli 2010 mit dem Unternehmen Metaweb und dessen offener Datenbank Freebase. Am 16. Mai 2012 startete der Knowledge Graph auf Englisch in den USA, im Dezember 2012 folgte die Google-Suche auf Deutsch. 2014 bot Google die Inhalte von Freebase der Wikidata-Community an, 2015 endete Freebase. Im Mai 2020 umfasste der Knowledge Graph laut Google mehr als 500 Milliarden Fakten zu 5 Milliarden Entitäten.

Fehler im Knowledge Graph korrigiert Google vor allem über automatische Systeme. Jeder kann über den Link „Feedback“ im Knowledge Panel Fehler melden. Inhalte, die gegen Googles Richtlinien verstoßen, entfernt Google auch von Hand und bearbeitet Themen von öffentlichem Interesse wie Medizin, Wissenschaft oder Geschichte dabei vorrangig.

Google Knowledge Graph Search API

Die Google Knowledge Graph Search API sucht einzelne Entitäten im Knowledge Graph und liefert zu jeder Entität Name, Typ, Kurzbeschreibung und Bild. Sie ist bis zu 100.000 Abrufe pro Tag und Projekt kostenlos, nur lesend und laut Google nicht für geschäftskritische Anwendungen gedacht. Verknüpfte Graphen gibt sie nicht heraus, dafür verweist Google auf die Datenexporte von Wikidata. Neuen Projekten empfiehlt Google stattdessen den Dienst Cloud Enterprise Knowledge Graph.

Was ist ein Knowledge Panel?

Ein Knowledge Panel ist ein Informationsfeld in der Google-Suche, das bei Suchen nach Personen, Orten, Organisationen oder Dingen erscheint, die im Knowledge Graph verzeichnet sind. Es fasst die wichtigsten Fakten zu einer Entität zusammen, etwa Name, Bilder, Beschreibung und Basisdaten. Google erzeugt Knowledge Panels automatisch und aktualisiert sie, wenn sich die Informationen im Web ändern. Wann, wo und wie ein Panel auf der SERP erscheint, entscheiden Googles Systeme je Suchanfrage.

Ein Knowledge Panel ist kein Featured Snippet. Das Featured Snippet zitiert einen Textauszug von einer einzelnen Website, das Knowledge Panel fasst Fakten aus dem Knowledge Graph und damit aus vielen Quellen zusammen. Für Unternehmen, die Kunden an einem Standort oder in einem Einzugsgebiet betreuen, sind ähnlich aussehende Unternehmensprofile gedacht. Sie werden über das Google Unternehmensprofil angelegt und gepflegt.

Knowledge Panel beanspruchen und Änderungen vorschlagen

Wer in einem Knowledge Panel dargestellt wird oder die dargestellte Organisation offiziell vertritt, kann das Panel beanspruchen. Laut Google-Hilfe führt der Weg über die Schaltfläche „Anspruch auf dieses Knowledge Panel erheben“ unter dem Panel. Danach folgt die Anmeldung bei einer offiziellen Website oder einem Profil, das zur Entität gehört, etwa bei YouTube, in der Search Console, bei X oder bei Facebook. Nach der Bestätigung lassen sich über „Feedback“ Änderungen vorschlagen, mit Links zu Seiten, die die neue Angabe belegen. Das Feedback bestätigter Vertreter behandelt Google bei der Prüfung vorrangig.

Nicht jedes Knowledge Panel lässt sich beanspruchen, und ein neues Panel kann niemand beantragen. Google erstellt Knowledge Panels nur, wenn genügend Informationen im öffentlichen Web verfügbar sind. Alle anderen Nutzer können über „Feedback“ Korrekturen vorschlagen. Für die Entfernung aus rechtlichen Gründen gibt es ein eigenes Formular.

Knowledge Graph und SEO

Für SEO zählt der Knowledge Graph, weil Google eine Brand erst als Entität eindeutig erkennen muss, bevor es ihr Fakten, ein Logo oder ein Knowledge Panel zuordnen kann. Einen Eintrag im Google Knowledge Graph erstellen kann eine Brand nicht selbst, und eine direkte Optimierung des Knowledge Graph gibt es nicht. Google sammelt die Angaben automatisch, die Brand kann nur dafür sorgen, dass sie eindeutig, übereinstimmend und leicht zu finden sind. Aus Sicht von KKP helfen dabei vor allem vier Bausteine.

• Einheitliche Basisdaten. Name, Rechtsform, Sitz, Gründungsjahr und Geschäftsführung stehen auf der eigenen Website, im Impressum, in Profilen und in Verzeichnissen überall gleich. Abweichende Schreibweisen erschweren die Zuordnung zu einer Entität.
• Organization-Markup. Strukturierte Daten vom Typ Organization auf der Startseite helfen Google laut eigener Doku, die Organisation eindeutig zu identifizieren. Die Property logo kann beeinflussen, welches Logo in den Suchergebnissen und im Knowledge Panel erscheint, in sameAs lassen sich Profile auf anderen Websites angeben. Wie das im Code aussieht, zeigt der Artikel zu JSON-LD.
• Wikidata und Wikipedia. Wikidata nimmt nur Einträge auf, die eines seiner Relevanzkriterien erfüllen. Die Entität braucht etwa einen Artikel in einem Wikimedia-Projekt wie Wikipedia oder muss sich mit seriösen, öffentlich zugänglichen Quellen beschreiben lassen.
• Google Unternehmensprofil. Für Filialen und Standorte gibt es das Google Unternehmensprofil, das die Brand selbst anlegt und pflegt.

Garantien gibt es keine. Auch mit sauberem Markup und Wikidata-Eintrag entscheidet Google selbst, ob eine Brand ein Knowledge Panel bekommt. Markup ist zudem kein belegter Hebel für Citations in KI-Antworten. KKP setzt es ein, damit Suchmaschinen und KI-Systeme die Entität eindeutig zuordnen können, nicht in der Erwartung zusätzlicher Nennungen.

Knowledge Graph und KI

Knowledge Graphs und Sprachmodelle ergänzen sich, weil sie Wissen auf entgegengesetzte Weise speichern. Ein Large Language Model (LLM) trägt sein Wissen implizit in seinen Parametern. Es formuliert flüssig, kann aber Fakten erfinden und nicht zeigen, woher eine Aussage stammt. Ein Knowledge Graph speichert Fakten ausdrücklich und nachvollziehbar, versteht aber keine natürliche Sprache und kennt nur, was eingetragen ist. Eine Übersichtsarbeit von Shirui Pan und Kollegen (IEEE TKDE, 2024) leitet daraus drei Wege ab. Knowledge Graphs versorgen LLMs mit Fakten, LLMs helfen beim Aufbau von Knowledge Graphs, und kombinierte Systeme nutzen beides zugleich.

Auch maschinelles Lernen (Machine Learning) arbeitet mit Knowledge Graphs. Verfahren wie Graph-Embeddings und Graph Neural Networks lernen aus der Struktur eines Graphen und sagen etwa fehlende Beziehungen vorher, eine Aufgabe, die die Forschung Link Prediction nennt. Deep Learning hilft außerdem beim Befüllen, wenn Modelle Entitäten und Beziehungen aus Texten auslesen.

Knowledge Graph und RAG

Retrieval Augmented Generation (RAG) und ein Knowledge Graph schließen sich nicht aus. Klassisches RAG sucht zu einer Frage passende Textabschnitte und gibt sie dem Sprachmodell als Kontext mit. Wie dieser Abruf funktioniert, erklärt der Artikel zu Retrieval. GraphRAG, ein Verfahren von Microsoft Research aus dem Jahr 2024, lässt ein LLM aus den Dokumenten zuerst einen Knowledge Graph der Entitäten bauen und fasst Gruppen eng verbundener Entitäten vorab zusammen. Bei Fragen zu einer ganzen Textsammlung, etwa nach ihren Hauptthemen, lieferte das im Test der Autoren umfassendere und vielfältigere Antworten als klassisches RAG.

Knowledge Graph in der KI-Suche

Im AI Mode, der KI-Suche von Google, dient der Knowledge Graph laut Google als Quelle neben dem Web. Bei der Vorstellung des AI Mode im März 2025 schrieb Google, der Modus könne neben Webinhalten auf Echtzeitquellen wie den Knowledge Graph und auf Shoppingdaten zu Milliarden Produkten zugreifen. Die französische Agentur Resoneo hat Ende Mai 2026 die Werkzeuge beschrieben, die der AI Mode aufruft. Den direkten Zugriff auf Googles Graphen sieht sie als Vorteil, um gleichnamige Entitäten zu unterscheiden, Fakten zu prüfen und Antworten an Entitäten zu verankern. Diese Einschätzung zur Rolle des Google Knowledge Graph bei der Validierung von KI-Antworten beruht auf Beobachtungen von außen und ist keine Aussage von Google.

Eng damit verbunden ist Grounding, also die Verankerung einer KI-Antwort in überprüfbaren Quellen. Wer prüfen will, ob eine Aussage über eine Bank oder einen Versicherer stimmt, muss zuerst wissen, welches Unternehmen gemeint ist. Einen Hinweis darauf, dass KI-Systeme auch beim Nachschlagen mit Entitäten arbeiten, liefert die KKP-Auswertung des offenen Moz-Datensatzes zu den Grounding Queries von Gemini. Von 5.333 Suchanfragen, die Gemini über die API selbst formuliert hat, teilen 405 bis 481 (7 bis 9 %) kein Wort mit ihrem Thema und nennen stattdessen etwa Unternehmen, Produkte oder Abkürzungen. Moz hat die Daten mit angepassten System-Instruktionen über die Gemini-API zu englischen Themen erhoben, nicht im AI Mode.

Ein Eintrag im Knowledge Graph garantiert keine Nennung in KI-Antworten. Aus Sicht von KKP lohnt die Pflege der Basisdaten trotzdem, weil ein System eine Brand nur dann sicher von gleichnamigen Unternehmen unterscheiden kann, wenn die Fakten über sie eindeutig sind.

Gratis Download

AI Search Guide: Sichtbar in ChatGPT & Co.

Der Praxis-Guide zeigt auf 164 Seiten, wie eine Brand in ChatGPT, Google AI Overviews, Gemini und Perplexity sichtbar wird, von den Grundlagen über Messung und KPIs bis zu konkreten Maßnahmen.

Kostenlos herunterladen →