Das Integrationspattern „Wissensgraph-Retrieval als Grundlage” kombiniert symbolische und neuronale KI auf die folgende Weise: ein Wissensgraph (Knowledge Graph) liefert das Faktenfundament, über das ein großes Sprachmodell in mehrturnigen Reasoning-Schritten retrieved und schließt. Das Sprachmodell trägt das natürlichsprachliche Verstehen und Generieren; der Wissensgraph trägt die strukturierte, auditierbare Faktenlage.
Vertreter sind unter anderem Graph-R1 (2025) mit leichtgewichtiger Wissens-Hypergraph-Konstruktion und Retrieval als mehrturniger Agent-Environment-Interaktion, ToG-2 (Think-on-Graph 2), das Kontext-Retrieval und Graph-Retrieval eng koppelt, sowie Graph-constrained-reasoning, das die KG-Struktur in den Decoding-Prozess des Sprachmodells einbettet.
Personseinsontologisch ist dieses Pattern ein Spezialfall der neuro-symbolischen KI. Es ist verwandt mit Retrieval-Augmented Generation (RAG), aber strukturierter: statt einer flachen Dokumentensammlung dient ein kuratierter Graph mit expliziten Entitäten und Relationen als Quelle.
Ontologische Einordnung: Oberbegriff: Neuro-symbolische KI.
Methodische Pointe
Das Pattern adressiert die Halluzinationsfrage großer Sprachmodelle aus einer anderen Richtung als „Ontologie als Constraint”. Statt das Modell während des Trainings strukturell zu beschränken, gibt man ihm zur Antwortzeit eine explizite Faktenstruktur an die Hand. Das Modell ist dann nicht mehr auf die Verteilung in seinen Trainingsdaten angewiesen, sondern auf die Struktur eines auditierbaren Graphen.
Der Preis ist auch hier die Abhängigkeit von der Qualität des Graphen: was nicht im Graphen steht, kann das System nicht abrufen; was falsch im Graphen steht, wird vom System mit der Autorität einer Quelle verbreitet. Die Pflege des Wissensgraphen wird damit zur kritischen Komponente — wie schon in den klassischen Expertensystemen der 1980er Jahre, nur jetzt vor einer ungleich anspruchsvolleren Inferenzschicht.
Anschlussstelle zur eigenen Ontologie
Das Pattern hat eine konkrete Resonanz mit der Personsein-Ontologie hier: ein neuro-symbolisches System könnte die Personsein-Ontologie als Wissensgraph nutzen, um etwa philosophiehistorische, bioethische oder personalontologische Fragen strukturierter zu beantworten. Es würde damit die personalontologischen Distinktionen nicht verstehen — Verstehen ist Personsein vorbehalten — aber es könnte sie konsistent referenzieren und gegen seine eigene generative Tendenz zur Glättung absichern.
Quellenangaben: Recherchestand 7. Juni 2026 (Dossier Neuro-symbolische KI — weltweite Recherche).
Weitere Quellen:
- Graph-R1 et al. (2025): mehrere arXiv-Veröffentlichungen zu KG-gestütztem LLM-Retrieval.
- Lewis, Patrick et al. (2020): Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems 33.
- Pan, Shirui, Luo, Linhao, Wang, Yufei, Chen, Chen, Wang, Jiapu & Wu, Xindong (2024): Unifying Large Language Models and Knowledge Graphs. A Roadmap. IEEE Transactions on Knowledge and Data Engineering Vol. 36, Issue 7, S. 3580–3599. DOI 10.1109/TKDE.2024.3352100.
Siehe auch
- Neuro-symbolische KI
- Symbolische KI
- Neuronale KI
- Neural als Prädikat
- Ontologie als Constraint
- Abgeleitete Intentionalität
Generiert via Abfrage aus der Personsein-Ontologie.