オントロジー駆動でGraphRAGを構築してみた

こんにちは、Insight Edgeの齊藤です。

「ontology」の検索関心の推移(Google Trends、日本、2004年以降)
Google Trendsにおける「ontology」の検索関心の推移(日本、2004年以降)

AIエージェントの実用化が進むなかで、オントロジーが再び注目を集めています。国内の検索動向でも、2026年に入ってから「ontology」への関心が大きく伸びています。

PalantirやMicrosoftなど、AIエージェントの基盤にオントロジーやナレッジグラフの考え方を取り入れる動きも広がっています。背景にあるのは、LLM(大規模言語モデル)がWeb上の一般的な知識を持つ一方で、企業や業務に固有の概念、関係、制約までは持っていないことです。この不足は、ベクトル検索を使った一般的なRAGでも埋めきれない場合があります。

そこで今回は、業務の概念や関係をナレッジグラフとしてデータ側に持たせ、その構造を先に定義するためにオントロジーの考え方を取り入れました。架空のスマートフォンと周辺アクセサリのカタログを題材に、対応関係の列挙や構成の判定に答えるGraphRAGを構築します。

なお、本記事は実務で行った内容をもとにしていますが、案件を特定できないよう、題材やデータは説明用に置き換えています。

目次

用語の整理

本題に入る前に、本記事で使う用語を簡単に整理します。


オントロジー

ざっくりいうと「対象とする領域(ドメイン)で使う概念と、概念同士の関係を定義したもの」です。たとえば、「スマートフォン」「アクセサリ」「充電規格」という概念を定義し、アクセサリはスマートフォンへ、充電器は充電規格へ対応する、といった関係を定義します。必要に応じて、必須属性や制約も含めます。

オントロジー設計の代表的な入門資料として、スタンフォード大学のOntology Development 101があります。人やソフトウェアエージェントの間でドメイン知識の共通理解を持つことなどが、オントロジーを作る目的として挙げられています。


ナレッジグラフ

オントロジーに沿って、個別の事実をノードと関係のグラフとして格納したものです。オントロジーが「型」、ナレッジグラフがその型に沿った「個別の事実」にあたります。

用語 持つもの 例
オントロジー 概念と関係の型 「アクセサリはスマートフォンへ対応する」
ナレッジグラフ 型に沿った個別の事実 「クリアケースAはスマートフォンAへ対応する」


GraphRAG

検索対象を文書からナレッジグラフへ置き換えたRAGです。

一般的なRAGは、質問と意味の近い文書を類似度の上位から数件取り出す仕組みのため、次のような質問が苦手です。

  • 「対応する製品をすべて」のような網羅的な列挙:上位数件しか取得せず、全件そろったことを保証できない
  • 複数の事実をまたぐ関係の判定:必要な事実が別々の文書に散らばっていると、1回の類似検索では集めきれない

GraphRAGでは、ナレッジグラフ上の関係をたどって検索するため、こうした質問にも答えやすくなります。

なお、GraphRAGという言葉からは、Microsoftが公開しているMicrosoft GraphRAGを思い浮かべる方も多いかもしれません。Microsoft GraphRAGは、文書から対象と関係を自動抽出したグラフを作り、コミュニティ単位の要約で文書全体の俯瞰に応える実装です。一方、本記事のGraphRAGは特定の実装ではなく、ナレッジグラフを検索対象にする仕組み全般を指します。今回の構成との違いは次のとおりです。

観点 Microsoft GraphRAG 今回の構成
起点 文書全体 答えたい質問
グラフ 文書から対象と関係を自動抽出 オントロジーに沿って構築
主な用途 文書全体の俯瞰、テーマ探索、要約 全件列挙、関係探索、条件判定

どちらが優れているという話ではなく、起点と主な用途が異なります。本記事でも、俯瞰的な質問への回答にはMicrosoft GraphRAGの考え方を補助的に取り入れています。

今回のケースと実現したい回答

今回の題材は、スマートフォン本体、ケース、充電器、ケーブルなどを掲載した架空の製品カタログです。このカタログをもとに、単に製品説明を検索するのではなく、次の3種類の回答を実現します。

回答の種類 質問例
網羅的な列挙 スマートフォンAに対応するケースをすべて教えて
関係探索 スマートフォンAを30Wで充電するために必要な構成は
補助的な全体要約 このカタログでは、どのような互換性上の制約が多いか

なぜオントロジーを取り入れたのか

この3種類のうち、網羅的な列挙と関係探索は、用語の整理で触れたとおり一般的なRAGが苦手とする質問です。さらに今回のケースでは、単に「関連して言及されている」のか「実際に対応する」のかを区別する必要もありました。そのため、製品や規格の関係を構造として持つナレッジグラフを採用しました。

ただし、文書から関係を自動抽出するだけでは、この区別や、適合条件・対象範囲・根拠までは扱えません。何を表現すべきかは、答えたい質問から決める必要があります。そこで、必要な概念、関係、制約を先に定めるため、オントロジーを使いました。

今回のGraphRAGの全体像

処理の流れは、LLMが質問を解釈して定義済みの検索ツールを選び、ナレッジグラフから取得した事実をアプリケーション側で条件判定し、検証済みの結果だけをLLMが説明する、というものです。

本記事では、このGraphRAGの構築を次の5つのステップで説明します。

  1. 答えたい質問を具体化する
  2. 質問からオントロジーを設計する
  3. ナレッジグラフを構築する
  4. GraphRAGとして検索・回答する
  5. 質問を受け入れテストにする

1. 答えたい質問を具体化する

オントロジーを設計するにあたり、最初にノードや関係を考えるのではなく、「この仕組みで答えたい質問」を整理しました。オントロジー設計では、このような質問をCompetency Questionsと呼びます。「そのオントロジーが答えられるべき質問」で、設計範囲や必要な情報を確認するために使います。

この進め方は、用語の整理で紹介したOntology Development 101に沿っています。同資料は、Competency Questionsでドメインと範囲を決め、重要な用語を挙げてクラスと関係を定義し、最後に個別の事実(インスタンス)を作る、という手順を示しています。本記事の1〜3は、この流れをGraphRAG構築へ当てはめたものです。

今回は、質問文だけでなく、対象範囲、入力条件、期待結果までを一組として定義しました。

たとえば、元の質問が次の内容だったとします。

スマートフォンAに対応するケースをすべて教えてください。

このままでは、「対応する」や「すべて」の範囲が曖昧です。そこで、対象範囲と条件を含む質問へ具体化し、テスト時に比較できる情報と一組で管理します。

質問:指定した端末モデルについて、対象カタログに有効な対応関係が登録され、
      禁止条件に該当しないケースを、重複なくすべて取得できるか

対象端末:スマートフォンA
データ範囲:対象カタログ
判定条件:有効な対応関係があり、禁止条件に該当しない
期待結果:正解として定めたケースの一覧

充電構成の探索や全体傾向の把握といったほかの質問も、同じように具体化しました。その際、列挙や構成判定では期待する集合を、俯瞰質問では要約に含める観点と根拠情報への追跡可能性を、合格条件にしています。

具体化した質問には、次の役割を持たせました。

  • オントロジーが扱う範囲を決める
  • 必要な概念、関係、属性、制約を見つける
  • 回答に使わない過剰なモデリングを避ける
  • 構築後の受け入れテスト、データ更新時の回帰テストに使う

質問は最初に作って終わりではありません。実際のデータへ当てはめ、答えられなければ質問の条件またはモデルを見直す、というループを小さく回しながら、必要な範囲だけをモデリングしました。Ontology Development 101でも、オントロジー開発は本質的に反復的なプロセスだとされています。

2. 質問からオントロジーを設計する

具体化した質問から、オントロジーの構造を考えていきます。

「対応するケースをすべて取得する」「充電できる構成を判定する」といった質問から、次の概念が必要だと分かりました。

  • 端末モデル
  • 周辺アクセサリ
  • ケース、充電器、ケーブルなどの種類
  • コネクタ
  • 充電規格
  • 対応する電力
  • 適合条件
  • 根拠となる文書箇所

主な関係は次のように整理しました。

オントロジーの主な概念と関係

上図は、質問に必要な関係だけを抜粋したものです。関係は、RDFのトリプル表現を参考に「主語・述語・目的語」の形で整理しました。「クリアケースA」―「対応する」→「スマートフォンA」のように、無条件に対応するケースはこの単純な関係だけで表現できます。

一方で、「厚さ3mm以下なら対応する」「特定部品とは同時に利用できない」のような条件付きの互換性は、単純な関係では表現しきれません。そこで、「適合条件」という独立した要素を用意し、複数の条件や根拠情報を関連付けました。

ここまでで、質問に必要な概念と関係を、AIエージェントから利用できる共通の形に整理できました。

3. ナレッジグラフを構築する

設計したモデルへ、製品カタログや仕様書からデータを登録します。

構築パイプラインは、次の段階に分けました。

ナレッジグラフ構築パイプライン
ナレッジグラフ構築パイプライン

文書からの候補抽出にはLLMを使い、確定や検証はルールとプログラムで処理しています。

LLMに任せた処理 ルールとプログラムで行った処理
製品、規格、仕様、関係の候補抽出 型番や製品コードによる識別子の確定
同義語や別名の候補生成 単位と表記の正規化、重複の判定
根拠となる記載箇所の候補抽出 参照先と値域のチェック
定義した構造に収まらない記述の分類 カタログ版、有効期間、質問に必要な関係の確認

俯瞰質問向けには、登録後のグラフから関連の強い製品群を見つけ(コミュニティ検出)、主要な製品、関係、根拠情報をもとに要約します。厳密な列挙とは別の検索経路です。

抽出結果が「関連する」のような曖昧な関係に流れないよう、オントロジーで定義した概念と関係を抽出時のルールとして渡し、ルールに合わない結果はレビュー対象にしました。

また、LLMの出力をそのままNeo4jへ登録しないことも意識しました。オントロジーと検証ルール、具体化した質問に基づくテストを通った事実だけを採用することで、抽出にLLMを利用しつつ、ナレッジグラフの品質を保てるようにしています。

4. GraphRAGとして検索・回答する

グラフを作っただけでは、GraphRAGとして利用できません。ユーザーの質問を、適切な検索方法へ接続する必要があります。

用意した検索ツールは次のとおりです。

  • 質問に含まれる端末を特定する
  • 対応するアクセサリを列挙する
  • 条件を満たす構成を探す
  • 利用できない理由を調べる
  • 回答の根拠となる文書箇所を取得する
  • 製品群ごとの傾向を要約する

LLMは質問から製品名や条件を取り出し、網羅的な列挙、構成の探索、全体の俯瞰のどれを求めているかを判定して、利用するツールを選びます。


網羅的な列挙

「スマートフォンAに対応するケースをすべて」という質問では、対象モデル、カタログ版、有効期間、検証状態を条件にします。検索には、Neo4j用のクエリ言語であるCypherを使います。

ベクトル類似度の上位から数件を返すのではなく、管理対象内で条件を満たす集合を取得します。期待集合と比較できるため、欠落や余計な候補もテストできます。


関係探索

「30Wで充電するために必要な構成」では、端末、充電器、ケーブル、コネクタ、充電規格の関係をたどります。

グラフから候補を取得した後、電力や組み合わせ条件はアプリケーション側で判定し、LLMには検証済みの結果だけを説明させます。


製品群全体の要約(補助)

「カタログ全体ではどのような互換性上の制約が多いか」といった質問では、関連の強い製品群ごとに内容を要約します。

この要約は製品群ごとの傾向をつかむためのもので、事実を1件ずつ挙げる用途ではありません。詳細を確認したい場合のために、要約のもとになった事実と文書箇所も一緒に返しています。

実際の動き

ここまでの処理を、「スマートフォンAをケースを付けたままワイヤレスで充電したい。必要なものを教えて」という質問で追ってみます。ワイヤレス充電器自体にも給電が必要なため、たどる関係が増えます。

  1. 質問の解釈:対象を「スマートフォンA」、条件を「ワイヤレス充電」「ケースを装着したまま」、意図を「構成の探索」とLLMが判定し、使うツールを選ぶ
  2. グラフ探索:端末が受電できる充電規格から対応する充電器をたどり、さらに充電器が必要とする給電規格から電源アダプタとケーブルまで広げる
  3. 条件判定:電力、ケースの厚さ、マグネット式の位置合わせへの対応をアプリケーション側で判定する
  4. 回答生成:検証を通った組み合わせと根拠情報だけをLLMへ渡し、説明文を生成する

最終的な回答は、次のような形になります。

スマートフォンAをワイヤレスで充電するには、次の組み合わせが必要です。

- ワイヤレス充電器E(規格Yに対応、最大15W)
- 電源アダプタB(規格Xに対応、最大45W)
- ケーブルC(規格Xに対応、最大60W)

ワイヤレス充電器Eは動作に規格Xの給電を必要とするため、
電源アダプタBとケーブルCが必要です。

ケースを装着したまま充電するには、厚さ3mm以下、かつ
マグネット式の位置合わせに対応していることが条件です。

- クリアケースA(2.0mm、マグネット対応):装着したまま充電できる
- 薄型ケースD(1.5mm、マグネット非対応):位置合わせができず、安定しない
- 耐衝撃ケースB(4.5mm):取り外しが必要

根拠:スマートフォンA仕様書、ワイヤレス充電器E仕様書

5. 質問を受け入れテストにする

具体化した質問は、オントロジーの設計だけでなく、GraphRAGの受け入れテストにも利用しました。テストは、ナレッジグラフ、検索結果、最終回答の3層で行います。


5-1. ナレッジグラフの品質をテストする

必要なノードや関係、識別子、値・単位、有効期間、根拠情報が正しく登録されているかを確認します。


5-2. 質問に対する検索結果をテストする

具体化した質問で検索し、期待結果と比較します。

特に「対応するケースをすべて」のような列挙では、正解を一部含むだけでは不十分です。適合率・再現率に加え、期待する集合との完全一致、重複、根拠情報の有無を確認しました。


5-3. 最終回答をテストする

最後に自然言語の質問を入力し、検索結果が回答へ正しく反映されているか、グラフにない製品や条件を追加していないか、根拠を正しく説明できているかを確認します。

このように、同じ質問を設計とテストに使うことで、「グラフの内容」「検索結果」「最終回答」を一貫した基準で確認できました。

やってみて分かったこと

実装と評価を通じて、特に次の点が重要だと感じました。


オントロジーを抽出・検索・テストの共通言語にする

オントロジーで、「対応する」「必要とする」「搭載する」などの関係の意味を先に定め、その定義をLLMによる抽出、グラフへの登録、検索、テストまで一貫して使いました。また、具体化した質問をもとに、必要な概念・関係・制約を整理し、何をモデル化するかを判断しました。

これにより、抽出・検索・テストの間で関係の意味がずれることを防ぎつつ、質問に必要のない構造を過剰に作り込むことも避けられました。テストが失敗した場合も、オントロジー、データ抽出、検索、最終回答のどこに原因があるかを切り分けやすくなりました。


ナレッジグラフを、回答だけでなく質問選びにも使う

「充電器がほしい」のように条件が足りない要望では、候補を1つに絞りきれません。この場合は、ユーザーへ追加の質問を返しながら候補を絞り込みます。

この質問選びをLLMだけに任せると、候補がほとんど減らない条件から確認してしまい、やり取りが長くなることがあります。そこで、ナレッジグラフから取得した候補に対して、どの条件で候補が大きく分かれるかを計算し、情報利得の大きい条件から確認するようにしました。

たとえば、「有線とワイヤレスのどちらを希望するか」と聞けば候補を大きく絞れます。一方、「ケーブルの色はどれがよいか」と聞いても、互換性にはほとんど影響しないため候補はあまり減りません。

これはナレッジグラフによって候補を構造化された集合として取得できるためですが、その前提には、製品の属性や関係がオントロジーによって共通の意味で定義されていることがあります。今回、オントロジーに沿って作った構造は、検索や判定だけでなく、「次に何を確認すれば候補を効率よく絞れるか」を決めるためにも利用できました。

まとめ

本記事では、答えたい質問からオントロジーを設計し、それに沿ってナレッジグラフを構築したGraphRAGの事例を紹介しました。その結果、管理対象内の全件列挙と、複数の関係をたどる構成判定を実行でき、必要に応じて製品群ごとの傾向も補助的に要約できるようになりました。

重要だったのは、自動生成を使うかどうかではなく、抽出する事実と関係の意味を先に定めることでした。オントロジーによって、抽出、検索、判定、テストで同じ定義を使えるようになりました。

一方で、この進め方はモデリングと検証に手間がかかります。答えたい質問がはっきりしない段階では、まず自動生成で全体を眺め、必要な範囲が見えてから構造を定義する方が早い場面もあると感じました。

オントロジーを使ったナレッジグラフの構築を検討されている方の参考になれば幸いです。最後までお読みいただき、ありがとうございました。

参考文献