Что хотят услышать интервьюеры:

Knowledge graph — это способ представить знания в виде сущностей и связей между ними. Он полезен там, где важно не просто хранить факты, а понимать контекст, связи и делать выводы по ним. На практике knowledge graph используют для поиска, рекомендаций, семантического анализа и интеграции разрозненных данных.

Определение:

Knowledge graph — это графовая модель данных, где узлы обозначают сущности, а рёбра — отношения между ними. Например, «Пушкин» — это сущность, «написал» — отношение, «Евгений Онегин» — другая сущность. В отличие от обычной таблицы, граф лучше отражает взаимосвязи между объектами и позволяет выполнять запросы по связям, а не только по полям.

Такая модель часто используется для хранения структурированных знаний о предметной области, объединения данных из разных источников и поиска по смыслу. В современных системах knowledge graph может дополняться онтологиями, правилами вывода и связкой с ML/LLM-компонентами.

Пример использования:

Типичный пример — поисковая система в e-commerce. Если пользователь ищет «кроссовки для бега», система может использовать knowledge graph, чтобы связать товары, бренды, категории, материалы, сценарии использования и отзывы.

(Кроссовки Nike Air Zoom) -- относится к --> (Категория: беговая обувь)
(Кроссовки Nike Air Zoom) -- бренд --> (Nike)
(Беговая обувь) -- является подтипом --> (Спортивная обувь)
(Спортивная обувь) -- подходит для --> (Тренировки)

Благодаря этим связям система может:

расширить запрос синонимами и близкими понятиями;
рекомендовать сопутствующие товары;
учитывать контекст, даже если точное слово в карточке товара не совпадает с запросом пользователя.

Пояснение кода:

Код не требуется, потому что здесь важнее понять структуру данных и логику работы.

Разберём пример по шагам:

Есть сущности: конкретный товар, категория, бренд.
Между ними заданы отношения: «относится к», «бренд», «является подтипом».
По этим связям можно перейти от одного узла к другому и получить знания, которых нет в одной записи таблицы.
На основе графа система делает семантический поиск, рекомендации и расширение запроса.

Ключевые моменты:

Knowledge graph хранит знания как сущности и связи, а не только как строки и столбцы.
Он особенно полезен там, где важны контекст, семантика и многошаговые связи между объектами.
Основные применения: поиск, рекомендации, question answering, антифрод, data integration.
Граф помогает объединять данные из разных источников и строить единое представление предметной области.
Часто knowledge graph используют вместе с онтологиями, правилами и ML/LLM для более точного понимания данных.
Сильная сторона графа — запросы по связям и вывод новых фактов на основе существующих отношений.

Что такое knowledge graph и где они применяются?